Podcasts about itali

Episode 395! Derk Boswijk koopt dure lasers in Australië om drones neer te knallen. CDA-stagiairs blunderen met een Star Wars video, bedoeld om hun staatssecretaris (die sprekend op JD Vance lijkt) op te hemelen. Kijk naar deze episode via YouTube: https://youtu.be/RQNM5oyBZhg Guess who's back? Back again. Verloren zoon Philip Dröge terug in de studio na 4 weken treinen door Europa. Italiaans vliegveld vernoemd naar Berlusconi en een hypersonische raket draagt de naam van een beruchte piraat. Er zijn geruchten dat de NASA weer gaat vliegen met de pijlsnelle SR-71 Blackbird. MQ-9B drone bewaakt het luchtruim als een onbemande AWACS. Je kunt nog steeds meedoen met de prijsvraag: hoeveel bezoekers waren er op de Market Garden Dag? Stuur je antwoord naar info@tmhc.nl en maak kans op het KLM-koffertje van Camiel Eurlings, plus een goedkope powerbank. Ga snel luisteren! (00:00) Guess Who's Back Remix - DJ Turbulence (01:00) Philip terug in de studio (02:25) Zwitserland: heli's zijn populair (03:20) James Bond stuwdam (04:03) Leader (04:36) Camiel Eurlings powerbank incident follow-up (05:04) Skippers bij KLM hoeven niet te betalen (07:23) Blunder Derk Boswijk met Star Wars-video (10:16) Dure lasers uit Australië (10:49) Flitsende video van laser-fabrikant EOS (14:16) Verhaal uit de oude doos: lasers bij NLR (15:12) Derk Boswijk: the Dutch JD Vance (15:44) Prijsvraag: win koffertje van Camiel en goedkope powerbank (17:04) Hypersone Blackbeard voor US Navy (20:16) Berlusconi-airport in Italië (23:41) Spectaculaire heli-video van de KLuRu (31:00) Tom Cruise: My Team is Dead! (26:24) Craxi Keso: lekkere kaas uit Gouda (26:48) Philip met de trein door Europa (27:49) Luchthavens zijn vervelend (29:59) Voormalige KLuRU-piloten mogen weer in F-35 (31:10) Russen onderschept: gezamenlijke QRA Zweden en Finland (33:56) Iran mag niet over Turmenistan vliegen (34:34) Istanbul is de luchthaven voor boeven (35:08) NASA wil mogelijk SR-71 uit het vet halen (40:29) Qatar Airways stuurt A330 en piloten naar Air Rwanda (42:10) Gulfstream van de Luchtmacht stond 142 dagen stil in een jaar (45:29) MQ-9B drone als radarvliegtuig (46:38) Afsluit. Muziek: Without Me - Eminem. Tips en commentaar stuur je naar info@tmhc.nl The Mic High Club Luchtvaart podcast wordt geproduceerd door Creative Sandbox van Menno Swart. Opgenomen in Studio Rietlandpark in Amsterdam GUESS WHO'S BACK. BACK AGAIN

De benzineprijs staat in Nederland op recordhoogte. In andere landen, zoals België, Duitsland en Italië, onderneemt de regering actie om de benzineprijs te verlagen. Nederland niet. Is dat terecht of niet? Daarover praten we met * vicevoorzitter van CNV Patrick Fey; * Paul van Selms van UnitedConsumers en; * Erik de Vries, directeur van de Nederlandse Organisatie Voor de Energiebranche

Europa onder vuur | miljardensteun aan Oekraïne | botsing internationaal recht Rusland verlegt de oorlog steeds nadrukkelijker van het slagveld naar de energievoorziening, digitale infrastructuur en grensoverschrijdende droneaanvallen. Tegelijkertijd richten Oekraïense aanvallen zich steeds vaker op economische doelwitten diep in Rusland. Arend Jan Boekestijn en Rob de Wijk analyseren hoe Moskou probeert Oekraïne verder te isoleren en wat de aanvallen op het elektriciteitsnet en internet betekenen voor de weerbaarheid van de Oekraïense samenleving in aanloop naar een nieuwe winter. Ook bespreken zij de Europese steunpakketten ter waarde van negentig miljard euro en de voorwaarden die Brussel stelt op het gebied van corruptiebestrijding en financiële hervormingen. Daarnaast lijkt Rusland een hybride front tegen Europa te openen. Van sabotage van Starlink-verbindingen en verstoringen van kritieke infrastructuur tot waarschuwingen voor mogelijke aanvallen met drones vanuit civiele schepen: westerse inlichtingendiensten slaan alarm. Van beschadigde kabels in de Oostzee tot dreigingen tegen Navo-doelen, de zorgen over verdere escalatie nemen toe. Boekestijn en De Wijk bespreken welke gevolgen dit kan hebben voor de politiek in landen als Frankrijk, Spanje en Italië, en waarom een zogenoemd rally round the flag-effect steeds waarschijnlijker wordt. Op de achtergrond speelt zich bij de Verenigde Naties een bredere geopolitieke strijd af tussen verdedigers van de internationale rechtsorde en leiders die multilaterale instituties ter discussie stellen. De steun van Rob Jetten aan het Internationaal Strafhof krijgt daardoor extra betekenis. Ook komen mogelijke onderhandelingen met Iran, de strategische rol van de Straat van Hormuz en nieuwe Amerikaanse sancties aan bod. Tot slot kijken Boekestijn en De Wijk naar de turbulente Amerikaanse binnenlandse politiek en de complexe machtsverhouding tussen de Verenigde Staten en China, die een belangrijk kader vormt voor de ontwikkelingen van de komende maanden. [Samenvatting geschreven door AI en gecontroleerd door een redacteur] Over de Podcast Arend Jan Boekestijn en Rob de Wijk gaan onder leiding van Hugo Reitsma op zoek naar de nieuwe wereldorde. Wat betekenen oorlog, machtspolitiek en economische verschuivingen voor Europa en Nederland? In elke aflevering duiken zij in de geopolitieke actualiteit. Genomineerd voor de Zilveren Reissmicrofoon 2026, winnaar van de Dutch Podcast Awards 2022 in de categorie Nieuws & Politiek. Word lid van B&W Plus op boekestijnendewijk.nl voor de zaterdag-podcast, reclamevrij luisteren, en vele extra's! Reageren? Op X: @ajboekestijn en @robdewijk Bluesky: @hugoreitsma.bsky.social Mail: boekestijnendewijk@bnr.nl Over de makers: Arend Jan Boekestijn is een Nederlands historicus en voormalig politicus. Hij studeerde geschiedenis en politieke wetenschappen aan de Vrije Universiteit in Amsterdam. Boekestijn is voormalig Tweede Kamerlid (tot 2009). Sinds 1989 is hij verbonden aan de vakgroep geschiedenis van de Universiteit Utrecht en sinds 2016 lid van commissie Vrede en Veiligheid van AIV. Rob de Wijk studeerde eigentijdse geschiedenis en internationale betrekkingen, promoveerde op kernwapenstrategieën, werd hoogleraar in Leiden en richtte in 2007 het Den Haag Centrum voor Strategische Studies op. Hugo Reitsma studeerde rechten en politicologie. Hij werkte eerder als politiek verslaggever en vanuit verschillende conflictgebieden. Hij is auteur van het boek ‘Boekestijn en De Wijk voorspellen de toekomst’ (november 2023).See omnystudio.com/listener for privacy information.

Na 3 gemiste WK's op rij begint Italië onder Mancini alweer aan een nieuw hoofdstuk. Wat staat de Rode Duivels te wachten in de Nations League? Italië-kenner Willem Haak schat in. Na de clash tussen Virgil van Dijk en een journalist, vragen we Arno Vermeulen (ex-chef voetbal, NOS) hoe dun de grens is tussen kritisch zijn en bruggen opblazen. En na de uitschakeling van de Yellow Aces stelt Johan Van Herck zich met ons de vraag: heeft de BJK Cup met afwezige toppers en lege tribunes nog toekomst?

De CIA waarschuwt Europese landen voor een mogelijke Russische droneaanval op Spanje, Frankrijk of Italië vanuit containers op schepen van de Russische schaduwvloot in de Middellandse Zee. De dreiging geldt als nieuwe test voor de NAVO, zeker als een aanval aantoonbaar boven de drempel van artikel 5 uitkomt en slachtoffers maakt. Nederland investeert samen met Australië in de ontwikkeling van een laserwapen tegen vijandelijke drones, ondanks eerdere afspraken om defensiegeld vooral in Europa uit te geven. Patrick Bolder, defensieanalist van het Den Haag Centrum voor Strategische Studies, benadrukt dat lasers slechts één schakel zijn in de ‘kill chain’ van dronebestrijding en dat er nog geen duidelijk integraal plan is voor de inzet binnen de krijgsmacht. In Duitsland zoekt bondskanselier Friedrich Merz steun bij de 16 deelstaten voor zijn lijn om te bezuinigen op de EU-begroting, terwijl veel regio’s juist hun Brusselse landbouwsteun en cohesiegeld willen behouden. Tegelijkertijd discussieert Zwitserland dit weekend in een referendum over een striktere invulling van zijn neutraliteit, onder meer rond NAVO-banden en sancties tegen Rusland. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

In de laatste Lo Stadio voor de (never ending) Serie A-break een aflevering waarin we het niet alleen over Roma-Inter en verrassing Frosinone hebben, maar ook over de exotische selectie van de Azzurri.

AI kan contracten doorspitten, interviews uitwerken, onderzoek samenvatten en zelfs een persoonlijke podcast produceren. Handig, zeker. Maar wie steeds meer denkwerk uitbesteedt, loopt ook het risico vaardigheden te verliezen. Volgens gedragswetenschapper Ben Tiggelaar vraagt werken met AI daarom om een andere professionele houding: minder blind uitvoeren en meer controleren, beoordelen en bijsturen. ‘Je moet jezelf een beetje upgraden van uitvoerder naar regisseur’, zegt Tiggelaar in deze Ben Tiggelaar Podcast. Dat klinkt aantrekkelijk, maar het is geen vrijblijvende promotie. Want wie de regie wil voeren over AI, moet wel voldoende vakkennis hebben om te herkennen wanneer de technologie de mist ingaat. Een podcast voor jezelf, in iedere gewenste taal Presentator Willemijn Veenhoven merkte hoe dichtbij AI inmiddels komt toen ze NotebookLM van Google gebruikte. Het programma veranderde droge wetenschappelijke artikelen in een begrijpelijke podcast. Tiggelaar gebruikt de toepassing onder meer om talen te oefenen. Wie naar Duitsland op vakantie gaat, kan informatie over zijn bestemming invoeren en daar een Duitstalige podcast van laten maken. ‘Dan heb je je Duits voor dat specifieke gebied getraind. Dat is hartstikke leuk.’ Bijna net zo goed als een echte podcast, grapt hij. Bijna. De toepassingen maken duidelijk hoe gemakkelijk kenniswerk kan worden geautomatiseerd. Maar ze roepen ook een ongemakkelijke vraag op: als een computer teksten kan samenvatten, podcasts kan maken en adviezen kan formuleren, wat blijft er dan over voor journalisten, accountants, advocaten en andere kenniswerkers? Nederland loopt achter op de Verenigde Staten In Nederland gebruikt 35,6 procent van de ondervraagde werknemers AI op het werk. In de Verenigde Staten is dat 43 procent. Het verschil lijkt overzichtelijk, maar Amerikanen gebruiken AI volgens het onderliggende internationale onderzoek ook intensiever in hun dagelijkse werk. De cijfers zijn afkomstig uit onderzoek van de Brookings Institution onder meer dan 5.000 werknemers in de Verenigde Staten en zes Europese landen. Het onderzoek vond plaats in juni 2025 en februari 2026. De onderzoekers noemen aanmoediging door leidinggevenden en toegang tot goedgekeurde AI-tools als belangrijke verklaringen voor het verschil. Van de Amerikaanse ondervraagden kreeg 42 procent zowel ondersteuning van de werkgever als toegang tot een aangewezen toepassing. In Frankrijk was dat 17 procent en in Italië 16 procent. [hrme.econo...atimes.com], [euronews.com] Dat is een belangrijke correctie op de transcriptie: daarin wordt het onderzoek toegeschreven aan het Amerikaanse National Bureau of Economic Research. De gevonden publicaties schrijven het toe aan de Brookings Institution. ‘Je moet de tools aanreiken, mensen aanmoedigen en ook training geven’, zegt Tiggelaar. Alleen roepen dat medewerkers iets met AI moeten doen, is dus onvoldoende. ‘Je kunt niet alleen maar zeggen: hier is ChatGPT, zoek het maar uit.’ Ook organisaties die AI belangrijk noemen, bieden hun personeel lang niet altijd de voorwaarden om er verantwoord mee te werken. Daar hoort niet alleen toegang tot een professionele toepassing bij, maar ook duidelijkheid over gegevensbescherming, broncontrole en toegestaan gebruik. Europese regels vragen om AI-geletterde werknemers Werkgevers kunnen AI-vaardigheid bovendien niet volledig afschuiven op individuele medewerkers. Artikel 4 van de Europese AI-verordening verplicht aanbieders en gebruikers van AI-systemen maatregelen te nemen die de ontwikkeling van AI-geletterdheid ondersteunen. Daarbij moet rekening worden gehouden met de kennis, ervaring, opleiding en werkomgeving van medewerkers. De wet schrijft geen specifieke cursus, toets of certificaat voor. ‘Ondersteunen’ blijft dus een breed begrip. Wel moeten organisaties aantoonbaar nadenken over wat werknemers nodig hebben om AI verantwoord te gebruiken. De verplichting geldt niet alleen voor bedrijven die AI ontwikkelen, maar ook voor organisaties die AI-systemen in hun werkprocessen inzetten. [digital-st....europa.eu], [ai-act-ser....europa.eu] Dat sluit aan bij de waarschuwing van Tiggelaar: geef mensen niet alleen een tool, maar leer ze ook wat die tool kan, waar de grenzen liggen en wanneer menselijke controle noodzakelijk blijft. AI-schaamte op de werkvloer Niet iedereen vertelt openlijk dat hij AI gebruikt. Volgens Tiggelaar bestaat er zoiets als AI-schaamte: werknemers verzwijgen het gebruik tegenover collega’s of hun leidinggevende uit vrees als lui of minder deskundig te worden gezien. Dat vooroordeel raakt aan een bredere angst. Wie hulp vraagt aan een collega, werkt samen. Wie dezelfde hulp van een machine krijgt, zou gemakzuchtig zijn. Maar dat onderscheid wordt steeds moeilijker vol te houden nu AI wordt ingebouwd in dagelijkse toepassingen voor tekstverwerking, analyse en communicatie. Tegelijk is de scepsis niet onzinnig. Schrijven, rekenen en analyseren zijn niet alleen productietaken. Het zijn ook manieren om gedachten te ordenen en professionele vaardigheden te onderhouden. Als AI een taak overneemt, verdwijnt mogelijk ook een deel van het bijbehorende oefenproces. Artsen werden minder vaardig zonder AI Een Pools onderzoek onder endoscopisten laat zien dat dit risico niet louter theoretisch is. In vier centra werd gekeken hoe artsen tijdens een darmonderzoek zonder AI presteerden, voordat en nadat zij regelmatig AI-ondersteuning waren gaan gebruiken. De adenoomdetectiegraad bij onderzoeken zonder AI daalde van 28,4 naar 22,4 procent. Dat is een absolute daling van 6 procentpunt. De observationele studie verscheen in 2025 in The Lancet Gastroenterology & Hepatology. [thelancet.com], [falkfoundation.org] ‘Hun zelfstandige vaardigheden waren achteruitgegaan door het gebruik van AI’, zegt Tiggelaar. ‘En wat het vervelende is: ze dachten zelf dat het niet zo was.’ Daar past wel een belangrijke kanttekening bij. De onderzoekers noemen hun bevinding een aanwijzing voor mogelijke afname van vaardigheden, niet het definitieve bewijs dat AI artsen structureel slechter maakt. Het ging om een observationeel onderzoek onder Poolse patiënten. De uitkomst moet daarom in vervolgonderzoek worden bevestigd. De Universiteit van Oslo waarschuwde expliciet dat de resultaten niet zonder meer naar andere groepen kunnen worden vertaald. [med.uio.no] De les reikt verder dan de zorg. Wie te lang afhankelijk wordt van automatische ondersteuning, kan moeite krijgen zodra die ondersteuning wegvalt, uitvalt of een fout maakt. Verdwijnt je baan, of verdwijnen vooral je taken? De grote vraag blijft of AI complete banen gaat overnemen. Volgens Tiggelaar verwachten veel deskundigen dat voorlopig vooral afzonderlijke taken veranderen of verdwijnen. Voor kenniswerkers kunnen routinetaken worden geautomatiseerd. Denk aan interviews uitschrijven, contracten doorzoeken en grote hoeveelheden informatie ordenen. Daardoor ontstaat meer ruimte voor creativiteit, interpretatie en inhoudelijke expertise. Dat klinkt als vooruitgang, maar er zit een addertje onder het bureau. Als AI alle eenvoudige taken wegneemt, blijven mogelijk vooral complexe en mentaal belastende werkzaamheden over. Een journalist die geen interviews meer hoeft uit te tikken, kan meer tijd besteden aan analyse en onderzoek. Maar een werkdag die uitsluitend uit zware denkklussen bestaat, kan ook vermoeiender worden. Bij praktisch werk kan het effect anders uitpakken. Wanneer AI het administratieve en kennisintensieve deel van een functie overneemt, blijven juist meer fysieke taken over. Het gevolg van AI hangt dus sterk af van het beroep en van de manier waarop een organisatie de vrijgekomen tijd verdeelt. Tijdsbesparing betekent niet automatisch minder werken AI kan taken sneller uitvoeren, maar dat levert werknemers niet vanzelf meer vrije tijd op. De gewonnen tijd kan ook worden gevuld met extra opdrachten, verdere kwaliteitscontroles of nieuw werk dat eerder te duur of tijdrovend was. Tiggelaar herkent dat uit zijn eigen praktijk. Met behulp van AI kan hij sneller terugvinden wat hij eerder heeft geschreven. Ook laat hij columns controleren op fouten en mogelijke verbeteringen. Toch werkt hij niet minder uren. ‘Ik merk dat ik nog net zoveel uren maak, maar dat ik in die uren wel andere dingen ga doen’, zegt hij. Een beschikbare tool nodigt immers uit om nog een onderzoek te zoeken, nog een controle uit te voeren of nog een versie te maken. Productiviteitswinst kan zo veranderen in kwaliteitswinst, maar ook in uitdijend werk. De technologie bespaart tijd, waarna we die tijd onmiddellijk opnieuw uitgeven. Vakmanschap blijft nodig om fouten te herkennen AI-systemen worden snel beter. Hallucinaties, zoals verzonnen onderzoeken of onjuiste citaten, komen volgens Tiggelaar bij de professionele toepassingen die hij gebruikt minder vaak voor dan voorheen. Maar dat betekent nog niet dat controle overbodig is. ‘Op dit moment is het ontzettend belangrijk dat je dat pluis-niet-pluisgevoel hebt’, zegt hij. Een werknemer moet vanuit zijn eigen vakgebied kunnen beoordelen of een antwoord aannemelijk is. Dat maakt vakkennis voorlopig belangrijker, niet minder belangrijk. Een professional die AI gebruikt zonder de uitkomst te kunnen beoordelen, kan moeilijk de verantwoordelijkheid voor het resultaat dragen. Tiggelaar formuleert daarvoor een eenvoudige test: stel dat AI vandaag je volledige werk uitvoert, wie controleert dan of het goed is? Als het antwoord ‘ik’ is, beschik je waarschijnlijk over de noodzakelijke expertise. Is het antwoord ‘iemand anders’, dan is er werk aan de winkel. En is het antwoord ‘niemand’, dan heeft vooral de organisatie een probleem. Van uitvoerder naar regisseur De belangrijkste verandering is daarom niet dat mensen onmiddellijk plaatsmaken voor machines. Hun rol verschuift. Professionals moeten leren opdrachten op te delen, verschillende toepassingen gericht in te zetten en de resultaten kritisch te beoordelen. Ze moeten overzicht houden over een proces dat steeds minder volledig door henzelf wordt uitgevoerd. Dat vraagt om een merkwaardige combinatie: je moet werk durven uitbesteden en tegelijkertijd voldoende kennis behouden om het resultaat niet blind te vertrouwen. Volgens Tiggelaar begint dat met drie praktische stappen. Oefen met terugkerende taken Kies een klus die regelmatig terugkomt en voelt als corvee. Onderzoek wat AI ermee kan. Geef niet op na één teleurstellend antwoord en probeer verschillende formuleringen of toepassingen. Investeer in je vakkennis Hoe meer AI kan produceren, hoe belangrijker het wordt dat iemand de kwaliteit kan beoordelen. Blijf daarom lezen, leren en oefenen binnen je eigen vakgebied. Leer delegeren zonder de controle te verliezen Bekijk je werk als een verzameling taken. Bepaal wat een hulpmiddel kan overnemen, welke instructies daarvoor nodig zijn en waar menselijke beoordeling onmisbaar blijft. Of die controle over enkele jaren nog even intensief nodig is, weet niemand. Technologie waar mensen eerst wantrouwig tegenover stonden, wordt vaak vanzelfsprekend. We lopen tenslotte ook niet iedere nacht naar de thermostaat om te controleren of die nog wel de waarheid spreekt. Maar zover is het met AI nog niet. De professional van nu moet dus twee dingen tegelijk doen: enthousiast experimenteren en professioneel wantrouwen. Of zoals Tiggelaar het samenvat: ‘Meer regisseur, minder uitvoerder.’ Over de makersBen Tiggelaar geldt al jaren als een van de bekendste experts op het gebied van leiderschap, gedragsverandering en organisatieontwikkeling. In deze podcast vertaalt hij wetenschappelijke inzichten naar concrete adviezen die direct toepasbaar zijn op de werkvloer. Met scherpe vragen van Willemijn Veenhoven ontstaan gesprekken die inspireren, uitdagen en aanzetten tot actie. Ben Tiggelaar is auteur, spreker, docent en gedragswetenschapper. Bekend van zijn NRC-column, het seminar MBA in één dag en bestsellers als Dromen, durven, doen. Hij houdt van evidence based én superpraktisch advies. Willemijn Veenhoven is programmamaker en journalist. Ze is al ruim 20 jaar een vertrouwde stem op de radio. Bekend van o.a. de radioprogramma’s Spijkers met Koppen, De Nieuws BV en Kunststof. Lichtvoetig, adrem en geboren nieuwsgierig. Paul Sanders deed redactie & montage, Gijs Friesen maakte de vormgeving en de eindredactie is in handen van Annick van der Leeuw. De Ben Tiggelaar Podcast is een productie van BNR en bouwt voort op een van de meest succesvolle leiderschapspodcasts van Nederland. De podcast biedt een groeiende bibliotheek met tijdloze inzichten over leiderschap, management, gedrag, samenwerking en persoonlijke groei. Luister elke week naar De Ben Tiggelaar Podcast en ontdek hoe je beter kunt leidinggeven, effectiever kunt samenwerken en meer impact kunt maken in je werk en carrière.Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. See omnystudio.com/listener for privacy information.

In deze aflevering:- De races in Nederland, Italië en Spanje- Max Verstappen blijft nog jaren bij Red Bull én in de F1!- De wederopstanding van Lando Norris en McLarenKimi Antonelli declasseert George Russell- Onrust bij Ferrari kost punten- Vooruitblik op de GP's van Baku en Bahrein of is het nou Maleisië!- De vragen van de luisteraars via het platform Twitter X!Lucas Degen met Jeroen Demmendaal en Jeroen Scholte.Meer informatie: f1podcast.nl

Receptes per ser m

Italië wist de wereld te betoveren met stijl, elegantie en inventiviteit. Tot er iets veranderde en de droom langzaam uiteenspatte.⁠Doe een kleine donatie

NEC ging hard onderuit in de Europa League. 5-0 werd het in Italië tegen Juventus. Binnen een half uur was het 3-0 voor de thuisploeg en de wedstrijd gespeeld. In de AD Voetbalpodcast nemen Etienne Verhoeff en Maarten Wijffels het voetbal met je door. Ook bespreken ze de eerste selectie van Xavi voor het Nederlands Elftal. Gaan daar veel verrassingen bij zitten? En de vraag voor welke voetballer moet nog een standbeeld geplaatst worden en bij welk stadion? Donderdag kreeg Lex Schoenmaker in Den Haag een standbeeld namelijk. Reageren kan via de socials of via Spotify. Bob Hermus neemt de KKD met je door. Beluister de AD Voetbalpodcast via AD.nl, de AD App of jouw favoriete podcastplatform. Student en gratis het AD lezen? https://abonnement.ad.nl/studenten/bestellen?productcode=digitaalstudent?utm_source=topics&utm_medium=web&utm_campaign=topics_introductie&utm_content=studenten&utm_term=short_url Bestel het boek De vraag van Vandaag hier: https://webwinkel.ad.nl/product/de-vraag-van-vandaagSupport the show: https://krant.nl/See omnystudio.com/listener for privacy information.

Jonas Miklovas, Donatas Urbonas ir Lukas Malinauskas „BasketNews.lt podkaste“ svarstė, kas buvo paskutinė vinis, galiausiai privertusi Mindaugą Balčiūną atsistatydinti. Trijulė taip pat aptarė paliktas finansines bėdas ALK, skambučius dėl Rimanto Grigo, kaip keičiasi „Žalgirio“ žaidimas su JV, atsivėrusį Keenaną Evansą, identitetą išlaikiusį „Rytą“ bei didžiausius Eurolygos žaidėjų kontraktus. Tinklalaidės partneriai: Inbank. Atsirado papildomų išlaidų? Su kodu BASKETNEWS gauk nuolaidą vartojimo paskolos sutarties mokesčiui. Feliciana. Itališko įkvėpimo picos su traškia tešla ir gardžiais ingredientais. Išsirink savo mėgstamiausią skonį ir mėgaukis itališka pica namuose! DN Villa. Moderni kaimo turizmo sodyba vestuvėms, jubiliejams, įmonių renginiams ar jaukiam poilsiui gamtos apsuptyje. SPA ir kitos veiklos leis gerai praleisti laiką net ir prastesniu oru. Nealkoholinis alus „Gubernija”. Registracija į BasketNews akademiją. Junkis prie BasketNews Eurolygos Fantasy jau dabar. Temos: Sugrįžus į Lietuvą – oro pavojaus pranešimai (0:00); Donato vizitas Šlovės muziejuje (4:34); Paskutinis lašas, paskatinęs Balčiūną trauktis (6:19); Nesuprantamas Grigo gynimas (10:41); Atmestinas ALK požiūris į Grigo tyrimą (15:09); Kodėl Balčiūnas ignoravo Grigo signalus? (22:56); Skylės, paliktos naujam ALK prezidentui (28:24); Auditas ir kiti galimi ALK kandidatai (35:36); Šansas naujam rinktinės štabui (42:36); Skirtingi „Žalgirio“ veidai su JV ir be jo (53:43); Shaqą išvysime Kaune, ką? (59:46); Atsivėrusio Evanso noras grįžti į elitą (1:03:55); Kas Eurolygoje uždirba daugiausiai? (1:16:10); Rimtas turnyras Vilniuje ir simpatiškas „Rytas“ (1:24:53); Motyvuotam jaunimui – kvietimas į BN akademiją (1:32:55).

Is de kiezer te debiel geworden om een goed functionerend bestuur te kiezen? Of speelt er iets anders? Na de doorbraak van de AfD dreigt er in Frankrijk en Italië een domino-effect dat de toekomst van Europa ingrijpend kan veranderen.⁠Doe een kleine donatie

Vanaf komende vrijdag strijden in Antwerpen de beste Europese mannen- en vrouwenteams om de Europese 3x3 Basketbaltitel. Dit gaat gebeuren op wel een heel bijzondere plek, namelijk midden in de stad op de Groenplaats, direct onder de Onze-Lieve-Vrouwekathedraal. Ook TeamNL daalt af naar onze zuiderburen. Onze vrouwen hebben een Europese titel te verdedigen en de mannen willen zich zonder meer mengen in de strijd om de medailles. Om in die positie te komen zullen de mannen, die onder leiding staan van bondscoach Aron Royé, in ieder geval moeten afrekenen met Italië en Spanje in de voorronde. We blikten er met Aron op vooruit. Presentatie: Robert Denneman

Na een spectaculaire Grand Prix van Italië is het weer tijd voor een nieuwe aflevering van de Formule 1-podcast van De Telegraaf. Verslaggever Erik van Haren – net terug uit Monza – en analist Christijan Albers hebben genoeg te bespreken. Ze komt de sensationele zege van Kimi Antonelli uitgebreid ter sprake, net als de dreun voor zijn teamgenoot George Russell. Ook de onderlinge verhoudingen bij Ferrari – en het uitblijven van afspraken – is onderwerp van gesprek. En natuurlijk gaat het óók over Max Verstappen en Red Bull. Verstappen reed weliswaar naar het podium, maar heeft nog genoeg aan te merken op zijn auto. Ook is er deze keer weer een prijsvraag.See omnystudio.com/listener for privacy information.

Terwijl Teun dobbert in Italië, buigt Yvettes perenboom door van de vruchten. Tijd dus voor een sappige aflevering over dit heerlijke herfstfruit! Want wat is nou eigenlijk het verschil tussen al die perenrassen - en welke moet jij dit najaar proeven? Wat kun je allemaal met peren maken? En de kweepeer… ís dat wel een peer? Je hoort het in Etenstijd!Onze sponsors:Bestel hét bakboek voor zuurdesemthuisbakkers via deze link of haal het bij je favoriete boekhandel.Fonds Slachtofferhulp: Ga naar fondsslachtofferhulp.nl/etenstijd en vraag het boekje Kleine gids, grote steun gratis aan; misschien is het wel precies wat jij nodig hebt om er écht voor iemand te zijn.Productie: Meer van ditMuziek: Keez GroentemanWil je adverteren in deze podcast? Stuur een mailtje naar: Adverteerders (direct): adverteren@meervandit.nl(Media)bureaus: adverteren@bienmedia.nl Hosted on Acast. See acast.com/privacy for more information.

Een aangrijpende coming-of-age-roman die zich afspeelt in de bergen van Italië. Het is 1993 en Eva ontdekt zowel een andere kant van zichzelf als een geheim dat in de bergen verscholen ligt. Uitgegeven door Ambo|Anthos Spreker: Josine Pieters

Max Verstappen vergelijkt de RB22 met een schildpad, Kimi Antonelli maakt zich onsterfelijk in Italië en hoe moet het nu verder met Ferrari? Vanuit The Harbour Club in Vinkeveen:•⁠ ⁠Presentator Frank Evenblij•⁠ ⁠Radio DJ bij GPR Sportradio Rob van Someren•⁠ ⁠F1-commentator bij GPR Sportradio Olav Mol•⁠ ⁠⁠Nederlands meest controversiële F1-analist Ronald Molendijk Disclaimer: Alle gebruik van hetgeen in deze podcast ‘F1 aan Tafel’ wordt opgemerkt is ongeoorloofd zonder expliciete schriftelijke toestemming ter zake verkregen van GPR Sportradio en met inachtneming van een duidelijke bronvermelding met link.See omnystudio.com/listener for privacy information.

De uitslag van de race in Monza staat op losse schroeven. Zo heeft Audi kenbaar gemaakt dat een protest gaat indienen tegen de uitslag van de race en dat heeft alles te maken met een beslissing van de FIA.

De GP van Italië was er een om niet snel te vergeten. Het Autodromo di Monza werd het toneel van een inhaalrace die de geschiedenisboeken in zal gaan. Terwijl Max Verstappen ondanks de nodige problemen de strijd aanging met George Russell, was het Kimi Antonelli die vanaf P19 naar de overwinning reed. Daarnaast was er natuurlijk ook het collectief falen van Ferrari, met de crash van Charles Leclerc als dieptepunt. Kortom, er valt genoeg terug te blikken, maar het vizier moet ook alweer snel vooruit, want de GP van Spanje, op de debuterende Madring staat deze week op het programma. Anouck van Heerden, Ruud Dimmers en Mike Hezemans bespreken het allemaal in een gloednieuwe aflevering van de RacingNews365 Formule 1-podcast!

Wat een race op Monza! Kimi Antonelli schreef voor het eerst in zestig jaar als Italiaan de Grand Prix van Italië op zijn naam, terwijl George Russell en Max Verstappen hem naar het podium volgden. In deze Paddockpraat Update blikken we terug op de verrassende zege, de strategische keuzes van Mercedes, de tegenvallende Ferrari's en natuurlijk de magie van Monza. En hangt er een luchtje rondom de pole position van Pierre Gasly? Je hoort het allemaal in deze aflevering, mis het niet!

In de nieuwe aflevering van de F1 VANDAAG videopodcast is het tijd voor een uitgebreide nabeschouwing van de Grand Prix van Italië. Geoffrey Smulders, Gandor Bronkhorst en Tim Kraaij blikken terug op de spectaculaire zege van Kimi Antonelli.Zo wordt er natuurlijk gekeken naar de klap die George Russell heeft gekregen. Zit zijn titelstrijd erop of kan hij nog terugslaan? Antonelli lijkt op zijn beurt meer en meer op Verstappen, al heeft Verstappen volgens Tim nog één kwaliteit waarmee hij er bovenuit springt.De mannen bespreken in deze F1 podcast natuurlijk ook het weekend van Max Verstappen. De Nederlander klaagde over problemen bij Red Bull waar hij al jaren last van heeft. Hoe kan het dat Red Bull dit maar niet weet op te lossen?Verder is er aandacht voor de crisis bij Ferrari, het succes van Alpine en natuurlijk de uitbarsting van Flavio Briatore.

Wat een spectaculair weekend op Monza met de pole van Pierre Gasly, de crash van Charles Leclerc en de winst van Kimi Antonelli. Genoeg te bespreken en daarom blikken we terug op de Grand Prix van Italië met coureur Ho-Pin Tung en NU.nl-verslaggevers Patrick Moeke, Joost Nederpelt en Bas Scharwachter. Vragen? Voor vragen of opmerkingen over De Boordradio kan je ons altijd mailen op podcast@nu.nl of je kan reageren via NUjij of X. Je kunt je ook gratis abonneren op de De Boordradio-podcast. Dat kan via Apple Podcasts, Spotify of jouw favoriete podcast-app. Video's Wil je de gezichten achter de stemmen van De Boordradio zien? Dat kan op TikTok, Instagram en YouTube. De podcast wordt gefilmd en elke aflevering komen er korte clipjes op sociale media. Volg ons ook daar!See omnystudio.com/listener for privacy information.

Als Italiaan in Italië winnen. Dat was het droomscenario voor Kimi Antonelli op Monza dit weekend. Het circuit kleurt traditioneel Ferrari-rood bij een raceweekend, maar langzaamaan wint die kleine, jonge Italiaan het volk voor zich. Tim Hartman zag het dit weekend voor zijn ogen gebeuren en in de AD Formule 1-podcast bespreekt hij met Etienne Verhoeff wat hij zag. Ook nemen ze de woorden van Max Verstappen door, die toch derde werd op Monza. Gaat de Nederlander dit jaar nog wel een Grand Prix winnen?Beluister de AD Formule 1 podcast via AD.nl, de AD App of jouw favoriete podcastplatform. Volg het laatste Formule 1 nieuws via: https://www.ad.nl/formule-1/ Het team van de AD Formule 1 podcast kan je ook volgen via Instagram: @ADFormule1podcastSupport the show: https://krant.nl/See omnystudio.com/listener for privacy information.

Kimi Antonelli heeft de Grand Prix van Italië op sensationele wijze op zijn naam geschreven vanaf een start van P19. George Russell lag lange tijd op kop, maar moest mede door de strategie genoegen nemen met P2 en Max Verstappen kwam als derde over de streep.

De zaterdag in Monza zit erop en dat betekent dat er is gekwalificeerd voor de grote prijs in Italië. Hoe die sessie is verlopen en wat de belangrijkste nieuwtjes zijn vanuit Monza, dat hoor je in deze GPFans Newsvideo.

 Pierre Gasly heeft in Monza voor een daverende verrassing gezorgd door pole-position voor de Grand Prix van Italië te pakken. Een dag nadat de Alpine-coureur zijn podiumplaats in Monaco kwijtraakte, heeft hij in Monza zijn eerste pole in de koningsklasse te pakken. Hij wist onder meer het fabrieksteam van Mercedes te verslaan, al beklaagde George Russell zich vooral over Max Verstappen. Die ging op zijn beurt dan weer uitgebreid in op de achtergronden bij het boordradiobericht dat de Red Bull-auto ‘van papier is gemaakt'. Volgens Verstappen begeven componenten aan de achterkant van de RB22 het soms tijdens het rijden, wat in Oostenrijk tijdens de race is gebeurd en in Italië wederom tijdens de kwalificatie. Verstappen erkende bovendien dat hij dit jaar door alle problemen minder risico neemt dan voorheen en dat het lastig wordt om überhaupt nog een race te winnen. Tot slot aandacht voor de gridstraf van Oscar Piastri en de dag van Ferrari, dat om twee redenen niet het maximale uit de kwalificatie voor eigen publiek heeft kunnen halen.

Het Planbureau voor de Leefomgeving concludeert dat het stikstofpakket van landbouwminister Jaimi van Essen een reductie van circa 40% oplevert, maar dat de officiële doelstelling pas binnen bereik komt met gedwongen krimp van de veestapel. Boerenorganisaties als LTO verwerpen gedwongen krimp als onnodig en onbespreekbaar, terwijl natuurorganisaties benadrukken dat het huidige pakket al de ondergrens is voor natuurherstel. In Den Haag buigt de ministerraad zich vandaag over de PBL-bevindingen, waarna premier Rob Jetten bij zijn persconferentie tekst en uitleg geeft. Autoconcern Volkswagen zet in Duitsland een zware reorganisatie door en schrapt in totaal 100.000 arbeidsplaatsen, na unanieme instemming van de Raad van Commissarissen. Volgens correspondent Derk Marseille kampt Volkswagen met forse overcapaciteit in Europa en minder inkomsten uit China, waardoor het concern structureel moet ingrijpen in productie, modelaanbod en fabrieksbezetting. Vakbonden hebben bedongen dat tot 2031 geen Duitse fabrieken sluiten, maar verlangen wel een investeringsplan van circa 120 miljard euro om nieuwe bestemmingen en werkgelegenheid te creëren. In Italië schrijft premier Giorgia Meloni politieke geschiedenis: haar kabinet is vanaf vandaag de langstzittende regering sinds de Tweede Wereldoorlog, met 1.413 dagen aan de macht. Italië-correspondent Pauline Valkenet schetst hoe Meloni met een pragmatische koers, steun voor Oekraïne en discipline rond begrotingsregels stabiliteit in haar rechtse coalitie wist te behouden. Economisch is het beeld gemengd: werkloosheid daalt tot onder de 6%, maar productiviteit blijft achter en de staatsschuld loopt verder op, terwijl Meloni haar succes volgend jaar bij de verkiezingen moet zien te verzilveren. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

Van Nederland tot Zuid-Korea en van Italië tot China: bijna overal ter wereld worden minder kinderen geboren. Waar vroeger juist werd gewaarschuwd voor overbevolking, maken steeds meer regeringen zich nu zorgen over een dalend geboortecijfer. Wat zit daarachter? En is het een probleem? In deze podcast kijken we naar de wereldwijde daling van het aantal geboortes. Demograaf Daniël van Wijk legt uit waarom steeds meer mensen hun kinderwens uitstellen of geen kinderen krijgen. "De economische positie, de positie op de woningmarkt, maar ook veranderende normen en waarden spelen een rol", aldus Van Wijk. We zoomen ook in op Zuid-Korea, het land met een van de laagste geboortecijfers ter wereld. Correspondent Gabi Verberg vertelt hoe de extreme werkcultuur en de ongelijke positie van vrouwen ervoor zorgen dat steeds minder mensen aan een gezin beginnen. "Heel veel vrouwen hebben er geen zin in. En dat heeft te maken met de rol van de vrouw in het gezin zoals die zou moeten zijn volgens heel veel Koreanen", vertelt Verberg. De overheid probeert het tij te keren met allerlei maatregelen, van financiële steun voor jonge ouders tot betaalde dates, maar de vraag is of dat voldoende is om de trend te keren. Reageren? Mail naar dedag@nos.nl. Presentatie en montage: Bart Tuinman Redactie: Max Smedes en IJsbrand Terpstra Eindredactie: Judith van de Hulsbeek

We zijn terug van vakantie en trappen het achtste seizoen af. Maar voordat we ons storten op een lange lijst nieuwe onderwerpen, blikken we in deze eerste aflevering terug op onze culinaire avonturen van afgelopen zomer. Jonas neemt ons mee naar Corsica, Jeroen vertelt over zijn staycation die werd onderbroken voor een korte mondaine uitstap naar Normandië, Jesse trok kriskras door Italië en Annie bezocht de zoutvelden in Zuid-Frankrijk. Een aflevering vol vakantieverhalen, lokale specialiteiten en culinaire inspiratie.ShownotesBij elke aflevering maken we uitgebreide shownotes, met informatie uit de podcast en links naar recepten. De shownotes staan op: watschaftdepodcast.com.Word lid van de BrigadeAls lid van De Brigade krijg je een advertentievrije podcast met exclusieve content, toegang tot onze online kookclub, kortingen, winacties en steun je de podcast. Word lid via: petjeaf.com/watschaftdepodcast. Hosted on Acast. See acast.com/privacy for more information.

Het derde deel in de nieuwe hitserie over vier zussen en hun bijzondere gaven, met een prachtige setting in Italië. Voor de lezers van Lucinda Riley en Soraya Lane met een vleugje mystiek. Uitgegeven door Oceaan Spreker: Roos van Breukelen

De tifosi kent een lastig dilemma in Monza. Steunen ze volle bak het Italiaanse team Ferrari, of hun Italiaanse landgenoot Kimi Antonelli? De leider in de WK-stand pakt een forse gridstraf, maar wat gebeurt er als hij zich toch naar het podium rijdt? We blikken vooruit op de Grand Prix van Italië met coureur Ho-Pin Tung en NU.nl-verslaggevers Patrick Moeke, Joost Nederpelt en Bas Scharwachter. Vragen? Voor vragen of opmerkingen over De Boordradio kan je ons altijd mailen op podcast@nu.nl of je kan reageren via NUjij of X. Je kunt je ook gratis abonneren op de De Boordradio-podcast. Dat kan via Apple Podcasts, Spotify of jouw favoriete podcast-app. Video's Wil je de gezichten achter de stemmen van De Boordradio zien? Dat kan op TikTok, Instagram en YouTube. De podcast wordt gefilmd en elke aflevering komen er korte clipjes op sociale media. Volg ons ook daar!See omnystudio.com/listener for privacy information.

In de FCA Daily van dinsdag 1 september bespreken Bart Obbink, Jean-Paul Rison en Alex Mazereeuw het laatste voetbalnieuws!Met vandaag onder meer Ajax dat twee huurlingen wil binnenhalen, PSV waar een spits komt en Vermeeren op het lijstje staat, Medic die mogelijk terugkeert in de Eredivisie, Feyenoord dat een tweede keeper op het oog heeft, Messi stopt bij Argentinië en Malen die op dreef is in Italië!Dat en nog veel meer in de nieuwe Daily!(00:00) Intro(03:09) Adingra en Kehrer op huurbasis onderweg naar Amsterdam(08:43) Mikkel Bro Hansen naar PSV(10:02) Arthur Vermeeren ook naar PSV?(12:00) Man kan naar Lazio(14:30) Utrecht geïnteresseerd in Medic(18:02) Feyenoord wil Kastenmeir als tweede doelman(20:30) Pereira naar West Brom(21:50) Malen is op dreef(24:40) Messi stopt als internationalSee omnystudio.com/listener for privacy information.

Vanaf september tot ver in 2027 is het in de Europese Unie één grote electorale achtbaan. En ook elders zijn verkiezingen die grote impact hebben op de toekomst van Europa. Wat speelt er, waar moet je op letten? Wat is de impact op Europa en op Nederland als lid van de 'E6', de groep van grootste EU-economieën? Jaap Jansen en PG Kroeger nemen je mee naar kiezers van Mecklenburg-Voor-Pommeren tot Andalusië en van Helsinki naar de Povlakte. *** Deze aflevering is mede mogelijk gemaakt met donaties van luisteraars die we hiervoor hartelijk danken. Word ook vriend van de show! Deze aflevering bevat een advertentie van NordVPN. Profiteer nu van de exclusieve NordVPN-deal Probeer zonder risico met de 30 dagen geld-terug-garantie! Heb je belangstelling om in onze podcast te adverteren of ons te sponsoren? Zend ons een mailtje en wij zoeken contact. *** Europa is geopolitiek geen eiland. Al die verkiezingen in het komend seizoen raken veel meer dan de nationale politiek per lidstaat. Koers, stabiliteit en machtsverhoudingen in de EU en de Europese houding naar Moskou, Kyiv, Beijing en Washington staan nadrukkelijk in het centrum bij de impact van de stembusstrijd. Duitsland Al direct in september wordt gestemd in drie oostelijke deelstaten. Megastad Berlijn, ruraal Saksen-Anhalt en Oostzeeland Mecklenburg-Voor-Pommeren. CDU en SPD premiers moeten hier overeind zien te blijven tegen de AfD in opmars in hun 'Heimat' van 'Ostalgie'. In Berlijn is alles in flux. Zelfs Die Linke kan hier de overwinnaar worden. De impact kan dan ook seismisch zijn. Met dramatische effecten voor het overleven van Friedrich Merz als bondskanselier in een CDU met nadrukkelijk alternatief leiderschap. En met gevolgen voor de presidentsverkiezing in januari 2027. Komt er een vrouw uit Beieren? Of Karin uit Amsterdam? Polen Donald Tusks Burgerforum kreeg een cadeau in aanloop naar de campagne. Zijn grootste opponent, radicaalrechts PiS, viel in brokken uiteen. Dat betekent allerminst dat een electorale triomf verzekerd is. Een onverwachte coalitie kan de uitkomst zijn. Een sterk resultaat voor Tusk zou een opsteker zijn voor Kyiv, voor Péter Magyar in Boedapest en voor de machtige EVP in Brussel. Spanje De machtsstrijd tussen de conservatieve Partido Popular (EVP) en de sociaaldemocraten zal hier heftig zijn. Overlevingskunstenaar op links Pedro Sanchez staat onder druk, maar vlak hem nooit uit. De PP heeft sterke papieren, maar kan gedwongen worden tot een gedoogconstructie met het radicaal-rechtse Vox. Dan zou de EVP-overwinning tegelijk labiel bewind opleveren. Let daarom goed op het overleven van links in Catalonië en hoe stevig de PP scoort in Andalusië én Madrid. Daar moet het voor hen gebeuren. Italië Giorgia Meloni evenaart Silvio Berlusconi als stabiele, lang zittende premier. Toch moet je haar electorale probleem niet onderschatten. Haar partij kan winnen door coalitiepartner Lega van Matteo Salvini op te slokken, maar een van hem afgesplitste radicaal-rechtse generaal; een volkse houwdegen, kan haar tegelijk aanhang kosten. Berlusconi’s partij blijft overeind en kan als pro-Europa middenpartij de doorslag geven. Essentieel zal zijn: wie blijven gedemotiveerd thuis en wie belonen Meloni om haar karwei af te kunnen maken? Frankrijk De zomer leek stil en politiek onbeweeglijk. Achter de schermen is Emmanuel Macron bezig met een ragfijn spel om in de winter de wat saaie premier Sébastien Lecornu voor het Élysée te lanceren. De radicaal-linkse Jean-Luc Mélenchon lanceert een wild plan - geen gezeik, iedereen rijk - om de staatsschuld weg te toveren. En de rest van links voert burgeroorlog. Nederland Provinciale Statenverkiezingen die de verhoudingen in de Eerste Kamer bepalen. Ook hier onzekere verhoudingen. Rob Jetten kan alvast aantekeningen vergelijken met Merz, Macron en Sanchez, zozeer lijken de verhoudingen dwars door de machtige E6-landen op elkaar! Het Hoge Noorden Zweden en Finland stemmen nu snel na de recente Deense verkiezingen. Sociaaldemocraten zouden ook hier met brede coalities kunnen winnen en dan EVP-premiers doen struikelen. Interessant is of en hoe zwaar Poetingezind radicaalrechts hier verliest en of hard-links wint. Rusland De Doema wordt gekozen, de repressie is ongekend. Vladimir Poetin wil mandaat voor mobilisatie terwijl de Russen zijn 'In drie dagen valt Kyiv'-oorlog beu zijn terwijl ze in de rij staan voor brandstof. Zal een lage opkomst zijn nederlaag de facto laten blijken? De midterms Hun impact kan uitzonderlijk zijn. Voor Donald Trumps heffingen en handelsoorlogen, voor de NAVO, voor Canada en de EU, voor het perspectief van ASML. Let op verrassingen in staatjes als Iowa, Maine en Kansas. En let altijd op in Texas en Wisconsin. Gaat daar een frisse wind uit het midden waaien? En let op 'Abdul' in Michigan en 'Jon' in Georgia, gedegen natuurtalenten van een nieuwe generatie. 2028 is is ineens in beeld. *** Verder luisteren 604 – D66 en CDA hadden in de kabinetsformatie te veel haast, daardoor gaat het nu zo stroef 602 – De enkelband van Jordan Bardella 581 - Péter Magyar brengt Hongarije terug in het hart van Europa 575 - Nederland staat niet langer op het menu, maar zit aan tafel 571 - Het kabinet-Jetten in een geopolitieke orkaan 567 - De geschiedenis beukt op Europa's deur. Caroline de Gruyter over zondagskinderen in een ruige wereld 558 – Poetins rampjaar, Jettens kans 528 - ‘Europa, ontwaak!’ Manfred Weber en de eenzaamheid van Europa 492 – Macrons Europese atoombom 490 – Duitslands grote draai. Friedrich Merz, Europa en Nederland 484 - Hoe Trump chaos veroorzaakt en de Europeanen in elkaars armen drijft 427 - Europa wordt een grootmacht en daar moeten we het over hebben *** Tijdlijn 00:00:00 – Deel 1 00:40:58 – Deel 2 + reclame NordVPN 01:21:35 – Deel 3 01:46:37 – EindeSee omnystudio.com/listener for privacy information.

Vanavond sluit de markt in de grote voetballanden als Engeland, Italië en Spanje, terwijl de Duitse markt zelfs al gesloten is. De Nederlandse window sluit zoals bekend pas woensdag. Tot die tijd dendert de transfersneltrein in binnen- en buitenland onverminderd door. Zo zijn Hilgers en FC Twente eindelijk van elkaar verlost, heeft Souffian El Karouani zijn tweede transfer van de zomer te pakken, keert Wesley Hoedt terug bij zijn jeugdliefde AZ en blijft Cody Gakpo ondanks een riant bod van Manchester City voorlopig bij Liverpool. Dat en meer bespreekt Yordi Yamali aan tafel met Alain van Hilten. Learn more about your ad choices. Visit podcastchoices.com/adchoices

Hilde is alle drama zat en besluit naar Italië te gaan. Maar kan ze het café wel met een gerust hart aan haar familie overlaten? Uitgegeven door Boekerij Spreker: Sandra Jonkman

De huizencrisis wordt ook ernstig duidelijk in Italië, want de Masseria is o-ver-bev-olkt.

Fluent Fiction - Dutch: Finding Freedom: A Young Adventurer's Sorrento Escape Find the full episode transcript, vocabulary words, and more:fluentfiction.com/nl/episode/2026-08-15-07-38-20-nl Story Transcript:Nl: De zon hing laag boven de horizon en verspreidde een gouden glans over de marktplaats.En: The sun hung low above the horizon and spread a golden glow over the marketplace.Nl: In Sorrento was het drukker dan ooit.En: In Sorrento, it was busier than ever.Nl: Mensen stonden dicht op elkaar, pratend en lachend, terwijl de geur van rijpe citroenen en verse kruiden om hen heen zweefde als een delicate parfum.En: People stood close together, talking and laughing, while the scent of ripe lemons and fresh herbs floated around them like a delicate perfume.Nl: Thijs, een nieuwsgierige jongen van veertien uit Nederland, liep samen met zijn ouders en kleine zusje, Anika, de markt op.En: Thijs, a curious fourteen-year-old boy from Nederland, walked onto the market with his parents and little sister, Anika.Nl: Het was Ferragosto, een belangrijke feestdag in Italië, en de sfeer was uitgelaten.En: It was Ferragosto, an important holiday in Italië, and the atmosphere was festive.Nl: Overal waren kleurrijke kraampjes vol met handgemaakte zeepjes, glinsterende sieraden en houten speelgoed.En: Everywhere there were colorful stalls full of handmade soaps, glittering jewelry, and wooden toys.Nl: Thijs voelde zich opgesloten in zijn familieroutine.En: Thijs felt trapped in his family's routine.Nl: Zijn ouders volgden een strak reisschema, maar hij wilde meer.En: His parents followed a strict travel itinerary, but he wanted more.Nl: Hij verlangde ernaar om alleen te zijn en zelf op ontdekkingsreis te gaan.En: He longed to be alone and go on an adventure of discovery himself.Nl: Dat was precies wat hij in gedachten had: een speciaal geschenk vinden voor Anika.En: That was exactly what he had in mind: to find a special gift for Anika.Nl: Iets dat haar zou doen stralen.En: Something that would make her shine.Nl: "Blijf bij ons, Thijs," zei zijn moeder streng, terwijl ze de menigte in de gaten hield.En: "Stay with us, Thijs," his mother said sternly, while keeping an eye on the crowd.Nl: "Het is te druk en je spreekt de taal niet."En: "It's too busy and you don't speak the language."Nl: Thijs knikte, maar zijn gedachten dwaalden al af naar de mogelijkheden.En: Thijs nodded, but his thoughts already wandered to the possibilities.Nl: Toen ze even stopten bij een kraampje vol keramische vazen, zag Thijs zijn kans.En: When they stopped for a moment at a stall full of ceramic vases, Thijs saw his chance.Nl: Met een paar snelle stappen verdween hij tussen de mensen en werd één met de massa.En: With a few quick steps, he slipped away into the crowd and became one with the mass.Nl: Zijn avontuur begon goed; de kleuren en geluiden trokken hem naar alle hoeken van de markt.En: His adventure started well; the colors and sounds drew him to all corners of the market.Nl: Maar al snel verloor hij zijn gevoel voor richting.En: But soon he lost his sense of direction.Nl: De menigte leek nog dichter, de stemmen nog luider.En: The crowd seemed even denser, the voices even louder.Nl: Toch voelde Thijs geen paniek.En: Yet Thijs felt no panic.Nl: In plaats daarvan was er een prikkel van opwinding.En: Instead, there was a thrill of excitement.Nl: Diezelfde opwinding leidde hem naar een klein, verborgen hoekje van de markt.En: That same excitement led him to a small, hidden corner of the market.Nl: Daar, tussen oude boeken en schilderijen, vond hij een bijzondere kraam.En: There, among old books and paintings, he found a peculiar stall.Nl: Het was gevuld met handgemaakte muziekdoosjes.En: It was filled with handmade music boxes.Nl: Elk doosje speelde een eigen unieke melodie.En: Each box played its own unique melody.Nl: Thijs werd betoverd door een klein doosje met delicate bloemen erop geverfd.En: Thijs was enchanted by a small box painted with delicate flowers.Nl: Toen hij het opwond, speelde het een zacht, magisch melodietje.En: When he wound it up, it played a soft, magical tune.Nl: Hij kocht het doosje en stopte het voorzichtig in zijn rugzak.En: He bought the box and carefully placed it in his backpack.Nl: Met zijn doel bereikt, voelde Thijs een nieuwe kracht.En: With his goal achieved, Thijs felt a new strength.Nl: Hij baande zich een weg terug door de menigte en vond, na een paar rondjes om dezelfde kraam, eindelijk zijn familie terug.En: He made his way back through the crowd and, after a few loops around the same stall, finally found his family again.Nl: Zijn ouders stonden bezorgd rond te kijken.En: His parents stood looking around anxiously.Nl: "Waar was je?"En: "Where were you?"Nl: vroeg zijn vader, terwijl zucht van opluchting ontsnapte.En: his father asked, a sigh of relief escaping.Nl: Thijs glimlachte triomfantelijk en haalde het muziekdoosje tevoorschijn.En: Thijs smiled triumphantly and pulled out the music box.Nl: "Kijk, voor Anika."En: "Look, for Anika."Nl: Zijn ouders, eerst geschrokken, zagen toen het trots in zijn ogen.En: His parents, initially shocked, then saw the pride in his eyes.Nl: Ze omhelsden hem stevig en er was een nieuw begrip tussen hen.En: They embraced him tightly, and there was a new understanding between them.Nl: Thijs had laten zien dat hij zelfstandig kon zijn.En: Thijs had shown he could be independent.Nl: De markt had hem niet alleen een muziekdoosje geschonken, maar ook een sprankje vertrouwen en vrijheid.En: The market had given him not only a music box but also a spark of confidence and freedom.Nl: Samen verlieten ze het bruisende hart van de markt, de gouden namiddag in, als een hechtere familie.En: Together they left the bustling heart of the market, into the golden afternoon, as a closer family.Nl: En hoewel de vakantie nog maar net begon, was Thijs al gegroeid.En: And although the vacation had only just begun, Thijs had already grown.Nl: Zijn avontuur lonkte verder dan de horizon van Sorrento.En: His adventure beckoned beyond the horizon of Sorrento. Vocabulary Words:hung: hingspread: verspreiddecurious: nieuwsgierigeatmosphere: sfeerfestive: uitgelatenstalls: kraampjesglittering: glinsterendetrapped: opgeslotenadventure: avontuursternly: strengwandered: dwaaldenceramic: keramischedirection: richtingpanic: paniekthrill: prikkelpeculiar: bijzondereenchanted: betoverddelicate: delicatemagical: magischtune: melodietjecarefully: voorzichtigstrength: krachtanxiously: bezorgdtriumphantly: triomfantelijkpride: trotsconfidence: vertrouwenbustling: bruisendespark: sprankjefreedom: vrijheidbeckoned: lonkte

Fluent Fiction - Dutch: Hidden Bay Magic: New Friendships on the Amalfi Coast Find the full episode transcript, vocabulary words, and more:fluentfiction.com/nl/episode/2026-08-15-22-34-01-nl Story Transcript:Nl: De zon scheen fel boven de Amalfi-kust, waar de zee het land omhelsde met haar schitterende, blauwe tonen.En: The sun shone brightly over the Amalfi-coast, where the sea embraced the land with its brilliant blue hues.Nl: Bram zat stilletjes in de bus, zijn ogen gefascineerd door de schilderachtige dorpjes en de dramatische kliffen.En: Bram sat quietly on the bus, his eyes fascinated by the picturesque villages and dramatic cliffs.Nl: Zijn klasgenoten lachten en praatten, opgewonden door het avontuur dat hen wachtte.En: His classmates laughed and chatted, excited about the adventure that awaited them.Nl: Het was hartje zomer en de sfeer was feestelijk.En: It was mid-summer, and the atmosphere was festive.Nl: Ferragosto naderde, een tijd van viering en vreugde in Italië.En: Ferragosto was approaching, a time of celebration and joy in Italy.Nl: Bram voelde zich een beetje verloren tussen de levendige gesprekken om hem heen.En: Bram felt a bit lost among the lively conversations around him.Nl: Sanne, die naast hem zat, tuurde met stralende ogen naar buiten.En: Sanne, who sat next to him, gazed outside with shining eyes.Nl: Elke nieuwe bocht van de weg bracht haar mond in beweging en ze wees enthousiast op alles wat zij zag.En: Each new turn of the road brought her mouth into motion, and she enthusiastically pointed at everything she saw.Nl: Jurre, die altijd een glimlach op zijn gezicht droeg, zat aan de andere kant en maakte een grap over de drukte van toeristen in het hoogseizoen.En: Jurre, who always wore a smile on his face, sat on the other side and made a joke about the crowds of tourists in the high season.Nl: Ze lachten allebei.En: They both laughed.Nl: "Zullen we samen de minder bekende delen van de kust ontdekken?"En: "Shall we explore the lesser-known parts of the coast together?"Nl: stelde Sanne voor, naar Bram kijkend met een heldere glimlach.En: Sanne suggested, looking at Bram with a bright smile.Nl: Jurre knikte instemmend.En: Jurre nodded in agreement.Nl: "Ja, misschien vinden we iets bijzonders."En: "Yes, maybe we'll find something special."Nl: Bram aarzelde even.En: Bram hesitated for a moment.Nl: Hij was verlegen, bang niet te passen in het levendige gezelschap.En: He was shy, afraid he wouldn't fit into the lively company.Nl: Maar de gedachte de schoonheid van de kust te missen, trok hem over de streep.En: But the thought of missing the coast's beauty persuaded him.Nl: "Ja, laten we dat doen," antwoordde hij, zijn stem vastberaden en zijn ogen vol hoop.En: "Yes, let's do that," he answered, his voice determined and his eyes full of hope.Nl: De drie vrienden slopen uit de menigte van hun medestudenten en kozen een pad dat hen verder van de drukte leidde.En: The three friends slipped away from the crowd of their fellow students and chose a path that led them further from the hustle and bustle.Nl: Ze volgden een klein, kronkelig pad dat tussen geurige citroenbomen en oude stenen muurtjes slingerde.En: They followed a small, winding path that meandered between fragrant lemon trees and ancient stone walls.Nl: De warme zomerbries streelde hen zachtjes.En: The warm summer breeze gently caressed them.Nl: Plotseling verschenen ze aan de rand van een verborgen baai.En: Suddenly, they arrived at the edge of a hidden bay.Nl: Het was een klein stuk paradijs, waar de zee rustig tegen de rotsen kabbelde.En: It was a small piece of paradise, where the sea gently lapped against the rocks.Nl: Tot hun verrassing troffen ze daar een groep locals aan, die vrolijk Ferragosto vierden.En: To their surprise, they found a group of locals there, cheerfully celebrating Ferragosto.Nl: Het geluid van traditionele muziek vulde de lucht en de geur van vers bereide gerechten prikkelde hun zintuigen.En: The sound of traditional music filled the air, and the smell of freshly prepared dishes tantalized their senses.Nl: De locals verwelkomden hen hartelijk, noden hen uit om mee te vieren.En: The locals welcomed them warmly, inviting them to join the celebration.Nl: Voor het eerst voelde Bram zijn spieren ontspannen en een glimlach overspoelde zijn gezicht.En: For the first time, Bram felt his muscles relax, and a smile spread across his face.Nl: Samen met Sanne en Jurre deelde hij in de vreugde, danste hij en proefde heerlijke lokale lekkernijen.En: Together with Sanne and Jurre, he shared in the joy, danced, and tasted delicious local treats.Nl: De muziek, de mensen, de verbondenheid – het was magisch.En: The music, the people, the camaraderie—it was magical.Nl: Terugkijkend op de dag, zaten Bram, Sanne en Jurre op het strand en keken naar de zonsondergang.En: Looking back on the day, Bram, Sanne, and Jurre sat on the beach and watched the sunset.Nl: De lucht tintelde in oranje en roze tinten.En: The sky shimmered in orange and pink hues.Nl: "Dit was geweldig," zei Bram zachtjes, zijn oude onzekerheid vervlogen in de warmte van dit nieuwe gevoel van vriendschap en gemeenschap.En: "This was amazing," Bram said softly, his old insecurity dissolved in the warmth of this new feeling of friendship and community.Nl: Met verhalen en gelach besloten ze de dag, terwijl de golven zachtjes op het strand rolden.En: With stories and laughter, they concluded the day as the waves gently rolled onto the shore.Nl: Bram realiseerde zich dat hij meer op zijn klasgenoten leek dan hij had gedacht, en dat ware verbindingen soms eenvoudige moed vereisten.En: Bram realized that he was more like his classmates than he had thought and that true connections sometimes required simple courage.Nl: De zomer op de Amalfi-kust zou snel voorbijgaan, maar de herinneringen en de nieuwe vriendschappen zouden blijven.En: The summer on the Amalfi-coast would soon pass, but the memories and new friendships would remain.Nl: Bram voelde zich eindelijk op zijn plek.En: Bram finally felt at home.Nl: Hij wist nu dat hij thuis zou komen met meer dan alleen foto's; hij zou thuiskomen met een hart vol verbondenheid en prachtige herinneringen.En: He now knew that he would return with more than just photos; he would come home with a heart full of connection and beautiful memories. Vocabulary Words:brilliant: schitterendepicturesque: schilderachtigedramatic: dramatischefestive: feestelijkapproaching: naderdelively: levendigegazed: tuurdeenthusiastically: enthousiastluxurious: luxehesitated: aarzeldedetermined: vastberadenmeandered: slingerdefragrant: geurigecaressed: streeldehidden: verborgenparadise: paradijsgently: rustigtantalized: prikkeldewelcomed: verwelkomdencheerfully: vrolijkcamaraderie: verbondenheidshimmered: tinteldedissolved: vervlogencourage: moedmemories: herinneringenembraced: omhelsdechatted: praattenexplore: ontdekkenwinding: kronkeligtasted: proefde

De Rijn in Nederland staat historisch laag. En ook andere rivieren in Europa staan lager dan ooit. En dat levert door heel Europa problemen op. Waar worstelen we mee, langs deze belangrijke levensaders? En dit zal niet het laatste laagwater zijn. Wat zijn manieren hoe we ons hier op kunnen aanpassen? In podcast De Dag een rondje door Europa. Hoe raakt de Rijn de industrie en de binnenvaart in Duitsland? Wat is de invloed van de lage Donau op het koelen van kernreactoren in Roemenië en Hongarije? En wat kunnen boeren in Italië nu ze heel moeilijk nog water uit de Po kunnen halen?  Reageren? Mail naar dedag@nos.nl (mailto:dedag@nos.nl) Presentatie & montage: Marco Geijtenbeek Redactie: Max Smedes

In Italië daagt oud-generaal Roberto Vannacci premier Giorgia Meloni uit vanaf haar eigen rechterflank. Meloni voelt zich daardoor gedwongen verder naar rechts op te schuiven. Tussen India en Pakistan loopt de spanning op. India wil meer controle over de Indusrivier, waarvan Pakistan voor landbouw en drinkwater afhankelijk is. Pakistan dreigt met “alle middelen” te reageren. Hoe reëel is een waterconflict tussen twee kernmachten? In Bureau Buitenland Zomertafel: historicus en Italië-kenner Arthur Weststeijn en buitenlandredacteur bij Trouw en voormalig Zuid-Azië-correspondent Aletta André. Presentatie: Nadia Moussaid

Luister hier naar Borrelpraat Extra. (Extra aflevering komt een dag later deze week!) Ga naar belsimpel.nl/samsung en ontvang met de code borrelpraatxbelsimpel direct al €200 korting op jouw nieuwe Samsung Foldable. Samsung Galaxy Z Fold 8 Ultra Samsung Galaxy Z Fold 8 Samsung Galaxy Z Flip 8See omnystudio.com/listener for privacy information.

70 jaar geleden ontstond er brand in de steenkoolmijn in Marcinelle. Het vuur verspreidde zich snel en slechts 13 mensen overleefden de ramp. 262 mijnarbeiders stierven in de Belgische mijn, meer dan de helft waren Italianen. “In de put telde je afkomst of moedertaal niet.” ­ 23 van de dodelijke slachtoffers in Marcinelle kwamen uit het Italiaanse dorp Manoppello. Gelokt door de belofte van een mooi loon en sociale voordelen zakten ze als gastarbeiders af naar België. Italië-correspondent Ine Roox ging kijken hoe dat trauma het Italiaanse dorpje nog steeds tekent. “Het leeft hier harder dan bij ons”. ­ De instroom van Italiaanse gastarbeiders is intussen uitgedoofd, maar toch is de impact ervan nog heel tastbaar. Bij ons, onder meer in Limburg, maar ook op Europees niveau, zegt Ine Roox. “Door hun bloed te laten in België, hebben de mijnwerkers een stap gezet naar de heropbouw van ons land, na de oorlog, maar ook naar Europese integratie.” ­ Welke gevolgen had de grootste mijnramp uit de Belgische geschiedenis 70 jaar geleden in Italië? En wat merken we vandaag nog van die historische band tussen Italië en België? ­ Journalist Ine Roox | Presentatie Niels De Keukelaere | Redactie Illa De Preter en Tara Van Eycken | Eindredactie Illa De Preter | Audioproductie en muziek Brecht PlasschaertSee omnystudio.com/listener for privacy information.

De aanhoudende droogte in Nederland zet waterafhankelijke industrieën steeds meer onder druk. Vaarwegen als het Twentekanaal en het kanaal van Gent naar Terneuzen zijn (gedeeltelijk) gestremd, verzilting bedreigt cruciale zoetwaterbronnen als het Brielse Meer en bedrijven vrezen miljoenen euro’s schade terwijl zij aandringen op meer duidelijkheid en regie van waterbeheerders en het kabinet. Intussen kondigen meteorologen mogelijk de warmste week van de zomer aan, in wat al de warmste zomer ooit is met een gemiddelde van 19,6 graden. In grote delen van Europa zoals Italië, Spanje en Oostenrijk lopen de temperaturen op tot rond of boven de 40 graden en zorgen langdurige hitte en droogte voor toenemende overlast en risico’s, gevoed door klimaatverandering en hardnekkige hogedrukgebieden boven Noordwest‑Europa. Op het moment dat president Poetin een bezoek bracht aan de Russische stad Krasnojarsk gebeurde er iets opmerkelijks: op het moment dat bewoners gingen tanken, waren de benzineprijzen gehalveerd. Dat is volgens Rusland-correspondent Joost Bosman geen toeval: dit gebeurt veel vaker in het land. Dat terwijl Poetin zelf geen idee heeft wat er aan de hand is. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

Watch the full episode on YouTube:We first covered Baseten last year when DeepSeek mania was at peak hype. Now they have raised a monster $13B round and become one of the new cohort of AI Infra decacorns that are (with Nvidia, Intel, and the semis complex) chief beneficiaries of the Inference Inflection. We return to Baseten at the peak of the 2026 edition of Open Weights debate. Ali has published a viral breakdown of Kimi K3:And since you last saw him, Philip has spoken at AI Engineer and written the definitive book on Inference Engineering spotted all over SF:Three years ago, inference engineering barely existed as a category.Today, it is one of the most critical disciplines in AI. Inference engineering inherently tackles a different question than standard model training: “How do you turn those weights from training into a product that is fast, reliable, and affordable at scale?” Focusing on these creates an entirely new optimization problem.In one recent GLM-5.2 experiment, quantizing more of the model actually preserved its benchmark quality while increasing throughput by 20%, because the errors introduced in different layers could cancel each other out.Inference is no longer just the final step after training. It is becoming its own engineering discipline, with its own research problems, infrastructure, and increasingly specialized roles.In this episode, Baseten's Philip Kiely and Ali Taha join swyx and Vibhu to explain what actually happens after a new open model is released and what it takes to turn “we generated a token” into a fast, reliable, production-ready API.We go deep on cache-aware routing, disaggregated prefill and decode, quantization, speculative decoding, KV-cache movement, model parallelism, GPU kernels, and the race to make frontier models up to 10× faster. Philip and Ali explain why inference optimizations can still produce gains of 20%, 100%, or even 200%; how quantization errors can cancel one another out; why identical weights can behave differently across clusters; and how Baseten grafted a Kimi vision encoder onto GLM-5.2 without changing the underlying language model.The conversation then expands beyond LLMs into NVIDIA Dynamo, mega kernels, Rubin, AI-specific chips, local inference, video generation, diffusion versus autoregressive models, and the enormous compute barrier to generating coherent long-form video. Finally, we explore the convergence of training and inference, continual learning through persistent KV cache, and the emerging loop where models help optimize the infrastructure that runs them.We discuss:* What happens when a 200,000-token request enters an inference system* Cache-aware routing and reusing previously computed KV cache* Why prefill and decode are increasingly handled by different GPUs* When dedicated deployments become cheaper and more reliable than shared APIs* How speculative decoding uses a smaller model to accelerate a larger one* Tool calling, structured outputs, and what LLMs actually do* What it takes to support a new open model on day zero* Grafting Kimi's vision encoder onto GLM-5.2* Retrofitting inefficient model layers with components from other architectures* Why models sometimes collapse into repeating the same token* How hardware, kernels, and race conditions create nondeterministic failures* Preserving model fidelity while making inference faster* How quantization errors can cancel each other out* Why inference optimizations still deliver gains of 20%, 100%, and 200%* How optimized serving can make a model up to 10× faster* NVIDIA Dynamo, KV-aware routing, and distributed model serving* Speculative decoding the speculative decoder* Why local AI is about making models less dumb while data-center AI is about making them less slow* Tensor, expert, and pipeline parallelism across GPUs* Hardware-aware model design, auto-tuning, and the case against mega kernels* Rubin and why inference is becoming a systems problem* Whether modern GPUs are evolving into programmable AI ASICs* Why enormous models like Kimi K3 require GB300-class hardware* Why open-source video generation still trails Veo, Kling, and other closed models* The quadratic attention bottleneck behind long-form AI video* Autoregressive video, real-time generation, and compounding quality drift* Why future video systems may combine autoregressive and diffusion architectures* Training for inference and inference for training* Continuous post-training, deployment, evaluation, and improvement loops* How GLM-5.2 helped optimize the kernels serving GLM-5.2 itself* Why faster networking could unlock dramatically faster decoding* Continual learning, KV-cache compaction, and persistent model memoryShow Notes* How to build a day-0 API for Kimi K3* 22580: From GPT2 to Kimi3, ExplainedPhilip Kiely* LinkedIn: https://www.linkedin.com/in/philipkiely* X: https://x.com/philipkiely* Inference Engineering: https://www.baseten.co/inference-engineering/Ali Taha* LinkedIn: https://www.linkedin.com/in/aliestaha/* X: https://x.com/waterloointernTimestamps00:00:00 Introduction and the 200K-Token Prompt00:03:18 Dedicated Deployments, Speculative Decoding, and Tool Calling00:11:26 Launching Production-Ready Open Models00:19:06 Model Retrofits, Failure Modes, and Nondeterminism00:28:22 Quantization and Canceling Errors00:32:15 The Race to 10× Faster Inference00:40:48 Dynamo, Speculation, and Local vs. Data-Center AI00:50:18 Model Parallelism, Auto-Tuning, and Mega Kernels01:00:55 Rubin, GPUs vs. ASICs, and Custom AI Chips01:10:03 Giant Models and the Limits of GPU Memory01:12:42 AI Video, Quadratic Attention, and Autoregressive Generation01:21:47 Audio, Images, and Diffusion Models01:27:32 Training, Self-Optimizing Models, and Continual Learning01:40:06 Closing ThoughtsTranscriptIntroduction: Baseten, Waterloo Intern, and Inference EngineeringSwyx [00:00:00]: Okay, we're here in the studio with Philip, old friend from Inference Engineering, the book, as well as Baseten and everything that you've done, you and I have done before, as well as Ali. Welcome.Ali [00:00:15]: Pleasure to meet you.Swyx [00:00:15]: Waterloo intern.Ali [00:00:16]: Waterloo intern, always.Swyx [00:00:17]: When did you get “Waterloo intern” as a handle?Ali [00:00:19]: As a handle? Oh.Ali [00:00:20]: I think the rebranding happened mid-March. When I saw it was open, I was like, “I have to take it. Up for grabs.”Philip [00:00:26]: The problem is that Ali is really good at his job and is not gonna be an intern much longer.Philip [00:00:30]: So we have to figure out who's gonna get the handle.Ali [00:00:33]: Well, I'll pass the torch over to the next intern.Swyx [00:00:34]: Oh, okay. It can be, like, you just pass it to another Waterloo grad.Ali [00:00:37]: To another Waterloo intern. No, bruh.Philip [00:00:39]: Yeah.Ali [00:00:39]: Intern.Swyx [00:00:40]: Intern, yeah.Ali [00:00:40]: And no.Philip [00:00:41]: You gotta get an intern from Waterloo.Ali [00:00:42]: Yeah, I've gotta get an intern from Waterloo.Swyx [00:00:44]: Right.Ali [00:00:44]: But they have to follow the path.Swyx [00:00:45]: Oh, it could, but it could come from Baseten, so it's like whoever Baseten gets from Waterloo.Ali [00:00:48]: Right.Swyx [00:00:49]: Has the title of Waterloo.Ali [00:00:50]: It stays in the ecosystem.Philip [00:00:51]: Exactly.Ali [00:00:52]: Halfway through the internship, you either get it or you're out.Philip [00:00:55]: You should also do, like, a big graduation ceremony where you change the handle.Ali [00:00:59]: Just say it.Philip [00:00:59]: For everybody.Swyx [00:01:00]: You guys are good at ceremonies, clearly. We had a nice launch of the book, very successful. But before we get into all that, I wanna start off with a fun question for you. Okay, you're an expert inference engineer. What happens when I send a long query, say two hundred thousand tokens into Baseten's inference? What's the process of query through GPU model routing, balancing, all that? What is all the stuff that we don't think about?Long Context Requests, KV Cache, and Cache-Aware RoutingPhilip [00:01:26]: With a long query specifically, the first thing that I'm gonna ask is, “Have you sent me this query before, or at least part of it?” and I really hope you have, because it's gonna be a lot easier for me and a lot cheaper for you. So the first thing that we're gonna look at is some cache-aware routing, where we're going to see, we probably have a number of instances, a number of replicas up serving whatever model you're hitting. We want to send this one to something with, number one, available prefill workers, and number two, ideally some cached input already there so that we can skip prefill on at least part of these two hundred thousand tokens. If you're doing two hundred thousand tokens, it's probably coding or a multi-turn agent or something where you would expect to have that cached. If you don't, we're gonna have to send it to a prefill worker. We've at least on certain models disaggregated prefill and decode, so you're going to have one set of GPUs that's solely going to process the input, create the KV cache, and get you your first token, and then that's going to be passed over to a separate set of GPUs, which is going to run decode. We're going to iteratively make those tokens. We're probably going to have some speculator model in front of that. I'm going to assume that you're doing coding, and because of that, our speculator model, which assumes you're doing coding, is gonna have a high draft token acceptance rate. If I'm wrong and you're asking me to summarize every Harry Potter book, it's gonna be slower. And then we stream that output to you and account for it, charge you, a couple of pennies and say, “Hey, would you like to send another one?”Swyx [00:03:04]: Except Baseten doesn't charge by pennies.Philip [00:03:07]: Well, yeah, we charge. I'm assuming that we're talking about the public model APIs. If you are setting up a dedicated deployment, then yeah, it's not pennies.Public APIs vs. Dedicated DeploymentsSwyx [00:03:18]: Yeah, one of the key differentiators when I was talking with Baseten initially was that people who want very high volume just need to rent by the box, ‘cause then it's up to you to figure out how to saturate the box.Ali [00:03:31]: And more often than not, it's, like, way cheaper if you're pushing, like, millions of tokens per hour, if you just pay per hour instead of pay per token.Philip [00:03:37]: Yeah, they do. I think that we've increasingly seen a lot of demand for the pay per token APIs, just because everyone wants to try open models, and then once they find a use case that's really sticky, then they move over to dedicated.Swyx [00:03:51]: Is there a best practice on when it's time to swap over?Philip [00:03:54]: Couple reasons. Yeah, reliability, that's a big one, right?Ali [00:03:57]: Like, if they have a very specific use case, they want you to train something specifically for them, like they want their own spec dec, for instance, for their own traffic.Swyx [00:04:04]: Spec dec is speculative decoding.Speculative Decoding and Custom SpeculatorsAli [00:04:05]: Speculative decoding, yeah.Swyx [00:04:07]: You have to explain.Ali [00:04:07]: Sorry. Like, speculative decoding is like, if you have a huge model, right? And so the model is going to be generating one token at a time every single turn, every single forward pass. So we attach, like, this little, like, parasite, like this layer that goes on top of the model, and this model just has to predict. It does three very fast autoregressive forward passes, and it will predict, like, three certain tokens, and then you do one forward stage over the entire original model in order to see if those predictions were correct or not, and then you accept them or you reject them. Now, this draft model is traffic specific, so if you, like, Philip said, if you're summarizing Harry Potter books, I can train exclusively that draft model on Harry Potter books, and I can guarantee you that I'm gonna accept the three tokens every single time. And so with that case, I increase your decode speed. I wouldn't be able to provide this to you if you're a shared endpointSwyx [00:04:53]: YeahAli [00:04:53]: ‘cause I have no idea if you're doing Harry Potter, if you're doing coding, if you're doing English. We don't know. Also, there was a thing in the book that mentioned that if they really cared about a specific threshold, chapter four, I think. Do you remember that?Philip [00:05:06]: Yeah. The things that you can do is you can set a specific, like, batch sizing, a specific, like, parallelism strategy if you're trying to optimize for, like, throughput versus latency. You can. Maybe a NVFP4 quant doesn't pass your benchmarks and you wanna run a model at higher precision, you could do that. There's just a bunch of reasons why you might wanna have your own endpoint and the biggest one, of course, just being, like, you don't have to deal with someone else doing a hundred million tokens of benchmarking traffic at the endpoint when you happen to be trying to serve your users.Swyx [00:05:40]: Yeah. I think one thing that is. That is a classic journey. Like, it's people is asking the, what happens when you type Google into the browser. Tool calling, is that just, you're generating JSON or is there more complication beyond that?Tool Calling, JSON, and Structured OutputsAli [00:05:58]: Certain customers that we have, they have their own post-trained models, and so they demand a tool calling that's not just, like parse a file or go find the weather. It's something that's very specific and you have to do post-training on this. And if the post-training on the model is not good or if the quantization after the post-training to get the inference to be fast, the model will struggle reading the JSON file and reading the tool calling. But it doesn't require its own like sandbox. It's not like it's going to use that tool calling to like escape a sandbox or like it doesn't have to be contained. It can just be a normal dedicated deployment. The challenge with tool calling more and more seems to be that the companies want certain tool calling which is a very sensitive thing to train. And because you're dealing with all of the JSON outputs, if it doesn't like close the end of the request in a very certain manner, you end up with a model that did the tool calling and like the thinking and so as a result of that, it didn't see the result and just hallucinated the result as it decoded. That seems to be the most challenging thing with tool calling, not really the sandboxes model.Philip [00:06:56]: Yeah, that's a challenge on the training side and then on the inference side, there's work that you can do to scope the possible output. So we published this at this point close to two years ago, the solution to this problem which is you make a state machine and you use that to constrain the output to a specific format. So this is the structured output problem. If you remember backSwyx [00:07:27]: Yeah, the specific grammar is,Philip [00:07:29]: Yeah, exactlySwyx [00:07:30]: GML had this thing.Philip [00:07:31]: Yeah. So it's like the old-school “make sure this is only JSON”, return only JSON orSwyx [00:07:38]: YeahPhilip [00:07:38]: Grandma's gonna die type of prompts.Swyx [00:07:39]: Is it BNF grammar? At some point OpenAI had released a thing that was like, yeah, if you want to constrain your output, write BNF grammar, back as NOR.Philip [00:07:47]: In our inference system, it's just a specified output format. And you get the guarantee that your output's gonna be structured along that format. And so applying that to tool calls can like help cut down on. You can still call the wrong tool or call no tool. It doesn't solve the certainty problem but it at least solves the output structuring problemSwyx [00:08:10]: YeahPhilip [00:08:10]: Within tool calls.Swyx [00:08:12]: And MCP is just another form of tool, right.Philip [00:08:14]: Yeah, exactly.Swyx [00:08:15]: As far as there's no special thing there.Philip [00:08:16]: The thing I'm always like explaining to people is the LLM is not capable of doing anything. It's only capable of making suggestions of what to do and then if those suggestions are formatted in a certain way and applied to a system that knows what to do with them, then an action occurs.Swyx [00:08:32]: Yeah. Part of the fun stuff is, this is solved outside of tool calling too. Like in an agent loop if the output is not correct or you're right, like reasoning, tool calling was done in the reasoning trace, just be like, “Oh, I don't know what to do. Let me just try again.” And it might get there after a few tries. And on your point of training, sometimes this is harder in smaller models, so you don't have the same exact quality outputAli [00:08:56]: Right.Swyx [00:08:57]: When you just swap from a big model, right?Ali [00:08:59]: Yeah. I will say that, before, I think we need to go back to inference engineering proper.Ali [00:09:04]: But, I had expected that something would replace JSON because it's hard to stream JSON ‘cause JSON must be complete and you must have open and close brackets and everything. So it's hard to parse something or validate something while it's being streamed. So people invented all sorts of things that are like, I forget the name of some of these alternatives, but it's something like TOML, something like YAML. But JSON seems to be dominant still.Philip [00:09:30]: The JSON outputs aren't that long, right? Like you could have a long-- ‘cause tool calls also contain the arguments in them and perhaps for a certain tool you might pass like a very long argument. But my impression of the median tool call is that it's a relatively small number of tokens, right? So I would expect that speculators are generally fairly good at something as formatted as JSON. And so you would have like a pretty fast decode step there and that the streaming wouldn't be as valuable, but maybe I'm wrong about that.Ali [00:10:02]: I think you're also bounded by the software or that the model is gonna integrate with if the software is built with JSON for the tool calls or if the company that you'- if your customer says that this is how our software works and our tools are interfaced with JSON, you can ask them to like, change their software and say like, “Yeah, this is gonna be better for the model.” but like with the right training shouldn't be that much of a difference. Also more profitable if it outputs more tokens probably.Swyx [00:10:25]: Depends on your business model.Swyx [00:10:27]: It really depends. But I will say that, as a writer with like experience a lot with generated output, I do try to move from text to JSON text which is very long JSON, right? Like there's paragraphs in every field because I'm trying to structure it, right?Philip [00:10:44]: Right.Swyx [00:10:44]: I want you to first make factual statements, then make opinions then make bullet point summaries, have dates, have entity references have your sources for references, all these things. Anyway, so these are things that like I think people who really experiment with structural output have to really care about. But, let's, let's recurse up the stack a little bit. Before we started recording, you mentioned something really cool, which is that there's a lot of engineering that-- inference engineering that goes on when a new model provider releases a new model, right? So let's call it GLM-5.2, Kimi K3. I had previously assumed, especially if it's like, well, GLM 5 to 5.1 to GLM-5.2, like that you've supported them before. Is it that much work?What It Takes to Support a New Open ModelAli [00:11:26]: It's a lot of work.Swyx [00:11:28]: Yeah. Okay. So like, a lot of people, all you guys, right whenever a new model launch like, people rush to say like, “Oh, Hugging Face supports this, Fireworks supports this, Spacetime supports this,” and I'm like, “Yeah, of course we support it.” But what goes into that? What goes intoPhilip [00:11:40]: I think it's more than just support it too, right? It benefits the consumer a lot. Like I think it was with Kimi K2.5 or GLM-5.2 the latest, there was an inference war, right? X provider is at 90 tokens a second. The next day we're at 150. The nextSwyx [00:11:55]: I kinda kicked that off with the GLM-5.2.Swyx [00:11:58]: I wrote a Twitter article about. It got like half a million views,Ali [00:12:02]: Based on being numberSwyx [00:12:03]: YeahAli [00:12:04]: Or it's for something else.Swyx [00:12:05]: Yeah. Which,Ali [00:12:06]: Oh my GodSwyx [00:12:07]: Which then got everyone really excited about, hey, how can we, bend tracks a little bit further and,Philip [00:12:14]: There's a difference between support the model, as in I can make a token out of this model, and support a model, as in I have a production-ready API from this model.Philip [00:12:26]: Getting to the point of I can make a token out of this model is not that hard because generally the, open source inference engines, vLLM, SGLang of the world oftentimes even receive weights ahead of time, maintainers do, or the people making the model merge PRs to ensure support. So you generally can, just get it working on the standard open source stack without too much pain in most cases. The challenge is, every inference company is gonna have own proprietary stack. Some open source components, some in-house stuff. And for any arbitrary model, there's going to be some new stuff. Sometimes you get lucky, like K, two five to two six was, like, pretty similar.Quantization, Speculators, and Production ReadinessAli [00:13:16]: Yeah. It was pure continued post-trainingPhilip [00:13:18]: YeahAli [00:13:18]: If I remember correctly.Philip [00:13:19]: Even in those cases, there's still stuff you have to do. You have to redo the quantization work. You're taking the model from. Generally, these models are not released in NVFP4, and we want them to be in NVFP4 for maximum Blackwell compatibility. So we have to perform that quantization, and, calibrate the quantization to make sure that we're not causing any regression in the model's intelligence. And then we also have to train the speculator, as we've talked about. Generally, we have. We have ZDR, zero data retention on our model APIs, so we don't know exactly the traffic that people are sending us, but we know what's popular. We know that coding use cases are popular. We know that agents, agentic use cases are popular. So we can get public data sets that are representative of that traffic and train general speculators. Now, with speculators today, you need to train the speculator using the base model itself because you're getting hidden states out of the model from running inference on these specific prompts, and that is the training data you use to create the speculator. So there's that process which you need the real model weights for. And then there's of course just the process of, standing up all the infrastructure behind it, loading all this stuff, testing it. And then when there's a new model with a newer architecture, I think that, like, the DeepSeek models tend to be the most challenging as they have, like, the most novel architectural stuff going on, model after model. But every new model has something. Kimi K2 had. Oh, sorry, GLM-5.2 hadAli [00:14:53]: Sparse attention.Philip [00:14:54]: Yeah,Ali [00:14:54]: YeahPhilip [00:14:54]: the DSA.Ali [00:14:55]: Right. Which is brought from DeepSeek.Philip [00:14:57]: Yeah. AndAli [00:14:59]: So you can copy-paste then?Philip [00:15:01]: It kindAli [00:15:01]: I don't know how this works.Philip [00:15:02]: So, like we had to, like, build support for that into our runtime. And you're right, like it is really interesting the way that all of these open source labs borrow from each other. For example, like GLM-5.2 doesn't have vision. So something that, Haley, a guy on our team, if we could take a look at this, he, like, grafted the Kimi vision encoder onto GLM-5.2.Retrofitting Vision into GLM-5.2Ali [00:15:27]: We'll be training the projector.Philip [00:15:28]: Exactly. So if you think about, like, the encoder, there's the encoder, which is the part that looks at the image and turns it into latent information, and then there's the projector which likeAli [00:15:38]: You can say latent space. It's okay.Philip [00:15:41]: And then there's the projector that maps it onto, the model itself, and then there's the model weights. You don't wanna mess with the model weights because you run a chance of making the model dumber at something else for the purpose of giving it vision. So instead, Haley started with just a projector, which is only a handful of millions of parameters.Ali [00:16:02]: That would be, yeah.Philip [00:16:02]: Yeah.Ali [00:16:03]: Can you show the training one?Ali [00:16:04]: Like the way it groksPhilip [00:16:05]: YeahAli [00:16:06]: Very interesting.Philip [00:16:06]: And maybeAli [00:16:07]: That right therePhilip [00:16:07]: Maybe Ali, you should take it from here. You've got a betterAli [00:16:10]: Ooh, double the sandPhilip [00:16:11]: Understanding of this than I do.Ali [00:16:11]: Yeah. You can see, like, he. The way he trained this is really cool. At the beginning, he was training it using just like, “Here's a picture of a mountain. Can you describe what's in this mountain?” And that caused it just like the first, learning walls. Like here you can see this all we're trying to teach it is to translate the encoded. Like it's already taken the encoder from Kimi K. It's taken the image. It'Philip [00:16:31]: Yeah. FrozenAli [00:16:31]: FrozenPhilip [00:16:32]: With adapter.Ali [00:16:32]: Exactly.Philip [00:16:33]: Yeah.Ali [00:16:33]: So the brain is frozen and the eyes are frozen. It's just we're tryingPhilip [00:16:37]: AlignAli [00:16:38]: Interconnect between the eye and the brain, right? So the projector. And so you take the tokens and then he's like, “Oh, can you describe what's in this image?” And he's like, “Oh, it's a mountain,” or it's a person or it's a human, whatever the case is. But that didn't cause complete understanding. So he changed it such that every image was associated with a data set of questions. Like, does this image have a white male? Does this image have birds in the top corner? Does this image have a scientist in it? All of that stuff. And it would have to answer questions correctly. And using not just training on describing an image, but being able to answer question, another question, answer over time. Like you can see the grokking, which is like genuinely insane, that retrofitting vision into a large LLM can learn to that extent. And even for images that it doesn't perform well on, for instance, if you ask it a picture of like Stephen Hawking, “Who is this?” Maybe it doesn't get it, but it will say something like, “This is Albert Einstein.” Like it still understandsPhilip [00:17:25]: Close enoughAli [00:17:26]: That this is a scientist who is a man who has, some significant achievements, all that stuff. So that's like really cool.Philip [00:17:32]: Yeah. So, we've covered Hao Tian before, who the author of the LLaVA paper that did this, a while ago. And I think that's very foundational work for anyone who hasn't done vision work before.Ali [00:17:41]: Same with the CLIP and MetaCLIP, where you go from just captioning to building out questionsPhilip [00:17:47]: RightAli [00:17:47]: Off the image and how much better you can get performance.Philip [00:17:50]: Right. Right. Right. Yeah. But what's, what's so exciting about this is if you look at a model like this. Now, this is a little bit more of a research project. It's not. It got to 56% on MMLU Pro, I think. So not quite frontier. But if you're running this model, you haven't suffered any loss on your GLM-5.2 quality. If you don't have an image, it'll just behave exactly the way it used to. And ultimatelyAli [00:18:14]: Which in the inference code you literally do not include the other part, right?Philip [00:18:18]: Yeah. You would just skip the encoder if you don't have an image input.Ali [00:18:22]: Okay.Philip [00:18:22]: Just confirming.Philip [00:18:23]: YeahAli [00:18:23]: Does it affect a lot on the overall inference side? Like you're not adding much, you're adding a very small vision encoder. These are typically likePhilip [00:18:30]: They're super fineAli [00:18:31]: Less than a billion parameters, right?Philip [00:18:32]: Yeah. It's, - There's a little bit less standardization among vision encodersSwyx [00:18:37]: YeahPhilip [00:18:37]: So the support matrix can be a little bit, sparser. But overall, yeah, it's a pretty, it's a pretty minor component of the overall system. And ultimately what you get out of the system is all of a sudden you have Kimi Vision, GLM weights, and DeepSeek attention all in one model.Open Source Model Grafting and Franken-MergesPhilip [00:18:56]: And that's, I think, a lot of the power and beauty of open source, is that you can take all of these different components and combine them together into a system that's better than anyoneSwyx [00:19:05]: YeahPhilip [00:19:05]: Can be individually.Swyx [00:19:06]: People used to say that you would also do Franken-merges where you would take likePhilip [00:19:10]: YeahSwyx [00:19:10]: Layers from each model.Swyx [00:19:11]: Does anyone do that anymore?Ali [00:19:13]: Well, to your point previously when you were mentioning like, the work that goes into supporting a model when it first comes out, like GLM-5.2 or MiniMax M3 or whatever the case is. Sometimes you do have to like, you do have to switch out some things. Like, for instance, the MiniMax M3 head uses full attention, and with full attention you end up with this like insane bottleneck in spec dec ‘cause you're doing auto-regressive token generation for three tokens, and you're doing this like N squared over all of the tokens that are in your sequence. Your KV cache is like very large because it's not sparse, it's not top K. So we find it better to like, okay, we're gonna replace this, we're gonna replace this layer with a layer from another model that's using like GQA, for instance. And then just with the right training, you can get it to have the same acceptance rate. So it is very possible to retrofit layers from other models and very much needed. If a layer is like inefficient, the training just becomes the challenge, like how do you ensure that you train it properly? Which again to your earlier point is like the mesh between training and inference. As in like you need very good training in order to do fast inference. That's like, I feel like more and more becoming true.Swyx [00:20:21]: Yeah. Anything else on the support side when you say like get it to fully production ready?Loop Detection, Race Conditions, and Non-DeterminismPhilip [00:20:26]: Yeah. I think that there's also a question of just, we can test a model to a pretty extensive degree, but we're trying to get it out quickly and then you see a bunch of other people test it and you get interesting results. There was an issue with, GLM briefly where we had some like mode collapses where it would just output the same token over and over again for certain prompts on certain temperatures. Like once you expose an endpoint to the real world, there's going to be, so many more varieties of things given to it that you're able to, discover and patch things. So it's not just a, day zero process, it's then like for the first week, for the first month, if a model remains popular, like how do you both fix bugs and then continue to push the envelope on performance?Ali [00:21:21]: What do you mean you don't want your model outputting S?Swyx [00:21:24]: Is there loop detection on that stuff, by the way? It still happens like quite a lot, which is surprising.Ali [00:21:30]: We have like we, in our endpoint, like if a model was to output the same token like four plus times, we just cut the generation. We say like, “Oh, sorry, this-- Like try again,” or like we will reprocess the request. ‘Cause we know then, like if it, like if, yeah, it's four times the same token, it's probably collapsed.Swyx [00:21:45]: Yeah. Is there a way to opt out in case I really want that?Ali [00:21:48]: You want that?Ali [00:21:50]: I think there's a way that we have to handle it. I'm not exactly certain, but I feel like in certain models, like when they output something like you can imagine, like a table for instance, and so they want, they wanna draw like 12 dashes and 12 dashes. Yeah, I think there's a way for that to happen. I think we only do it on certain tokens. Like we exclude certain special characters.Swyx [00:22:07]: Yeah.Ali [00:22:07]: So we only do it on like certain like S is the most common almost. GLM-5.2Swyx [00:22:11]: OhAli [00:22:11]: And I think it was DSV 4 as well. Like you'd just have like looping issues where like you literallySwyx [00:22:17]: ItAli [00:22:17]: Just have like S.Swyx [00:22:18]: Yeah. Is there a special, something special about S? No, just randomlyAli [00:22:21]: It just seems to be the one token involved.Swyx [00:22:23]: Yeah. And it'Philip [00:22:24]: Is thereSwyx [00:22:24]: And it's only temperature 0Ali [00:22:27]: NoSwyx [00:22:27]: Even at other temperaturesAli [00:22:27]: Even at like 0.9 or whatever, it will still, it will still collapse.Swyx [00:22:30]: That's weird, right?Ali [00:22:30]: It's, it is an inference problem to be honest, like a software problem. Like oftentimes, the image you run will-- like NVIDIA will release an image for instance, and if we will upstream the changes from their latest TensorRT-LLM image into our stack, we'll find that it fixes it. Or oftentimes this will only happen in an inference engine that you're using like SGLang. But if you were to switch to vLLM, that isn't the case. So it seems to be like an extremely like deterministic software issue and not really a model issue. It's not like a weights problem. Like I'- we'll say like, “Oh, it's a problem with the quant. We did PTQ wrong,” right? But that isn't, that doesn't make sense because the same weights used with a different inference engine does not repeat the problem. And sometimes it's, the kernels that are being used in the backend have like these very subtle sometimes race conditions, where if you were to use this model hosted on one cluster, you will never get this problem.Swyx [00:23:19]: Oh my God.Ali [00:23:19]: But if you host it on a different cluster, you will. And the reason is the KV cache transfer from a node to node in that one cluster is using a slower interconnect than the node to node in another cluster. So that exposes the race, whereas in another cluster it doesn't. So then you end up just like, okay, this model is not gonna be hosted on this cluster. We're gonna host it on, another cluster because that cluster exposed that problem. But then it ends up with like, okay, is it the software? Is it the model weights or is it the hardware?Swyx [00:23:42]: There is a thing about this with temperature 0 still not being deterministic, right?Ali [00:23:46]: Right.Swyx [00:23:46]: Mostly because of hardware. Even at temperature 0 same model, you won't always get the same output.Swyx [00:23:52]: Even-- But I'm surprised by the race condition one because, I thought PyTorch was a graph that like guarantees that you at least, execute things in the right order.Ali [00:24:02]: Well, yeah, true. Like I'm not, I'm not saying that there is. Like well, you have things like PTL optimizations where like you can start a kernel before the end of the previous kernel, and that's like ‘cause you want to do that because there'sSwyx [00:24:12]: It's like pipeliningAli [00:24:12]: Expense. Exactly.Swyx [00:24:13]: Yeah.Ali [00:24:13]: But it'- But you don't do it cleanly. Like you overlap a little bit of the execution. No, it is very possible that the kernel itself, like that one block that is supposed to be running in this instance of time, that kernel itself has a race condition. For instance, like a missing barrier. Like often if you're designing a kernel and you want it to make it to be very fast, if you don't test it extensively, you'll, you'll have certain threads access data points from registers before they've been written to by other threadsSwyx [00:24:36]: YeahAli [00:24:36]: For example, because like your barrier is wrong or your synchronization was wrong. But yeah, like the testing itself is very difficult in those like, andSwyx [00:24:42]: And there's no like borrow checkerAli [00:24:45]: What does that mean?Swyx [00:24:46]: Like Rust. Like the. If you're trying to have like memory safety It sounds like a comparable problem.Ali [00:24:52]: Well, yes, but you're working in CUDA, right, NVIDIA GPUs. Like- You just need a higher level language like modular Maybe that's what modular is supposed to do. I don't know.Quantization Quality and Vendor FidelityVibhu [00:25:00]: How do you see keeping quality of the model? So you talked about all these steps of, okay, you gotta do quantization, train your own speculative decoderAli [00:25:07]: RightVibhu [00:25:07]: Run on different hardware. Looking at other model providers, okay, you kicked off a inference speed race on the consumer end. What goes into keeping quality the same across them, right? Sure, you can run benchmarksAli [00:25:22]: YeahVibhu [00:25:22]: But, like, how do you determine how much quantization are there standards? What goes intoPhilip [00:25:27]: There's a few things on quality. Most inference optimizations are lossless. KV caching, for example. You are just recomputing or preventing recomputing the same values. Speculation, of course, if a draft token is wrong, it gets rejected. The main lossy optimization is quantization. And that really comes down to, number one, data format, number two, which parts of the model you choose to quantize, which layers, and number three, like doing a lot of calibration on the quantized weights, to ensure that you're preserving all the outliers. There's other tricks that you can do, though. A big one is long context, ‘cause one thing you asked at, right at the beginning is, “Oh, what's gonna happen if I send a 200,000 token request in?” So with a long input sequence, you need to, store a lot more information. You need to process a lot more tokens. And so even if a model has a context of a certain length, you might, as an inference provider, choose to build an API with a shorter context length, and of course a full length one as well. Because if someone doesn't need the full million token context, for example, you can get them better performance. I don't know if that's exactly like quality of the model. The way that I think about quality is to what degree are we faithfully serving the original model? If you think of a golden implementation of a model that performs exactly the way the model is designed to perform, I think of quality as how close are we getting to that, 100% fidelity of the model.Philip [00:27:13]: You can also, of course, think about quality from the training side and how do you push yourself past 100%. But when I think about purely inference optimizations, it's getting faster while staying as close to that 100% fidelity mark as possible. And certainly our standard internally is that, like you should not be able to tell the difference between our API and a, official API. I think Kimi in particular does a good job of vendor benchmarking hereAli [00:27:41]: YesPhilip [00:27:41]: Where they haveAli [00:27:42]: They released an actual vendor benchmark.Philip [00:27:43]: Exactly, yeah.Ali [00:27:44]: ‘Cause they accused, some people, Amazon? There was some provider that was not doing very well on Kimi's benchmark.Philip [00:27:50]: Yeah.Philip [00:27:51]: So, with Reflect we probablyVibhu [00:27:52]: This was a long time ago, right?Philip [00:27:54]: No.Ali [00:27:54]: Yeah, like threeVibhu [00:27:55]: They alsoAli [00:27:55]: Four, five months agoVibhu [00:27:57]: This also happened with, I don't remember which model, but they pulled out quite a few, and then they started a whole chart about this. It might have beenPhilip [00:28:03]: Kimi Vendor Verifier.Ali [00:28:04]: Yeah.Philip [00:28:05]: Yeah.Ali [00:28:05]: Yeah, ‘cause you, ‘cause you'd be pissed, right? Like if you'Philip [00:28:07]: Yeah.Ali [00:28:07]: If like if I'm a consumer and I'm using like Amazon's endpoint for instance, and I've used Kimi and I'm like, “Oh my God, like this is bad,” I'm not gonna say, “Oh, Amazon quantized the model in a bad way.” I'm gonna say, “Oh, Kimi sucks.” Right?Philip [00:28:17]: Yeah.Ali [00:28:17]: So it seems like that makes sense.Philip [00:28:19]: Yeah, they care. They care.Vibhu [00:28:21]: Justifiably.Ali [00:28:21]: Yeah, justifiably.Vibhu [00:28:22]: This is probably a stupid question, but just checking, has anything improved from main quantization?Philip [00:28:28]: Yeah.Vibhu [00:28:28]: Like, is quantization always strictly worse?Ali [00:28:30]: Well technicallyVibhu [00:28:32]: NoAli [00:28:32]: It's a lossy. QuantizationPhilip [00:28:33]: YeahAli [00:28:33]: Is a lossy, it's a lossy implementation.Philip [00:28:36]: Speed improvesVibhu [00:28:36]: Speed improves.Ali [00:28:37]: It the number, likeVibhu [00:28:38]: No, I' always look for inverse scaling laws.Philip [00:28:40]: Yeah.Ali [00:28:40]: Yeah.Vibhu [00:28:40]: This is something I learned from Noam Brown, where like things that normally act in one direction sometimes do.Philip [00:28:45]: Well, technically when you run a benchmark, because these models are deterministic, sometimes your,Ali [00:28:52]: YeahPhilip [00:28:52]: NVFP4 quant is like, two basis points higher than yourAli [00:28:56]: No, it's noise. It's noise.Philip [00:28:57]: Yeah, exactly. I'm like, yeah, it's, it's within. That's why I always say within margin of error.Philip [00:29:01]: And I stopped saying that because everyone assumes that what is, well, within some margin of error, we're barely inside of that to the worst, so we're saying. But yeah, sometimes it's just like, gives you a higher output score. But like Ali said, that's noise. To my knowledge, you're not necessarily making the results better. You're just trying to, again, like keep your fidelity as close to 100% to the original model.Layer Selection, KL Divergence, and Better QuantizationAli [00:29:27]: There is, to your point, research that we did on MP. I don't know if you are able to pullPhilip [00:29:31]: YeahAli [00:29:32]: A tweet we did. One of our research interns, Joshua, I think it's a tweet on how we have 20% better quantized GLM-5.2 than NVIDIA. Essentially what we found throughout like this month research is, okay, quantization is a lossy. It's. You're compressing the data from, occupying 16 bits to occupying, four bits, for instance. And so you're losing some information, and you're trying to minimize that. And so when I say that I'm gonna quantize the model, my job becomes how do I find the layers that I can quantize, and how to find the layers to not. For instance, with image models, I don't quantize modulation layers, and I don't quantize out projections because those two are. Like out projection is what you see as the user. Modulation is what the model sees or understands. Right, exactly. And so to his paper, do you have the. It doesn't have the. Yeah. It's a long paper. I don't know if I can findVibhu [00:30:25]: If there's a part to search or it's probably in the thread.Ali [00:30:28]: It's probably in the thread.Vibhu [00:30:29]: Yeah.Ali [00:30:29]: But the long and the short is it is very possible that quantizing more of the model makes the results. Like if I have a model that I quantize layers one, five, and 10, and another model where I only quantize layers one and It is possible that the model in which I quantized more information is going to perform better because the quantization errors have canceled out. And so what Joshua showed in his mathematical proof where he had like a verifier in, is that you can predict which layers are going to have quantization errors that will cancel out with each other, and you choose to quantize those layers. And so the result of doing this mathematical quantization is you end up with a model that's 20% more quantized than another provider, so you get 20% more throughput of it because there's more layers than running an NVFP4, and your quality is better than that other quant because the layers that you chose to quantize have their errors cancel out, like one layer skewed to the right one layer skewed to the left, one layer skewed to the right. Your final logits distribution is more similar to the original distribution of the model, so you have better fidelity. And so the way we proved this was with KL divergence. So instead of just scoring on the benchmarks, we scored the KL divergence between the logit distribution of the quantized model and the logit distribution of the original full precision model, and we showed that with this technique we get. If your probability distribution on the logits which token it wants to select is more of the same as the original model, you're probably gonna end up staying true to the original model. So yeah, so it seems like previously before this, it seemed like the industry was, well, the more you quantize, the worse it's gonna be, ‘cause the more loss you introduce. That's not exactly, not necessarily true. So yeah, doesn't improve it, but can cancel out.Philip [00:31:57]: I think it might be this, but reminds me a good bit about pruning where you can prune off certain layers.Philip [00:32:03]: But very interesting. Didn't know this was a whole paper you guys put out.Ali [00:32:06]: It's. Fun fact, it was originally 72 pages, this paper, and then we decidedPhilip [00:32:11]: WowAli [00:32:11]: We can't tell. We couldn't release it. So it's now 45.Swyx [00:32:15]: Still 39 pages, so very substantive. We talked about evals and all these things and, like what's possible in terms of speedup? Like it's like probably like the numberInference Speedups and BenchmarkingSwyx [00:32:25]: Thing that people do wanna care about, and it's something that you wrote about in your post. Like official API is 70 tokens per second, and you push it up to 90. Is that like a normal thing?Philip [00:32:36]: So what's cool about working in inference, the reason that I think inference is going to be a useful place to do engineering for a long time, is that if you look at highly optimized domains like, say, finance, if you're in finance, you measure how much better you got in basis points. It's like, “Oh, I got five basis points better, like twentieth of 1% better,” that's huge news because everything is so optimized. When we publish optimizations, it's 20%, it's 100% it's 200%. So there's still probably like a lot further to go, honestly. Like you'll, you'll know that inference is pretty much solved when researchers start publishing about how they got 1% faster at something.Swyx [00:33:19]: Which by the way, because I am from the finance background, in the ‘70s, that was the margin at the time. When you did quantitative finance research, you would findAli [00:33:27]: And like 20%, tens of percent.Swyx [00:33:29]: That's. Yes.Philip [00:33:29]: Yeah.Swyx [00:33:30]: And now it'Philip [00:33:31]: Tiny fractionsSwyx [00:33:32]: For those people interested, look up Andrew Lo's paper. He had a really interesting illustration of quant, stat arb, distribution, narrowing down from like those kinds of 20% differences in the ‘70s, down to nothing today, which is very cool.Philip [00:33:48]: Exactly, and we're at the beginning of the same type of thing. Now benchmarking is hard. I think anyone will tell you that, and benchmarking provider speeds is hard because there's so many variables that go into it. What hardware are you using? How much load do you have on the system? What's the exact nature of the prompts and input and output sequence lengths? All that stuff. But overall, when you start stacking these improvements, you're looking at multiples. You can look at it. The most common form, of course, is TPS, tokens per second, which is bad naming by us in the industry, ‘cause there's two tokens per second. There's tokens per second, the throughput number, and the latency number.Ali [00:34:31]: TTMT, yeah.Philip [00:34:32]: Like total tokens per second out of the, out of the GPU as a throughput number. Most people only care about tokens per second as the latency number, which we should call ITL, intertoken latency, but we don't.Philip [00:34:44]: Anyway, so you can imagine a standard API without many optimizations for a 1 trillion parameter model operating somewhere in the 30 to 50 tokens per second range for reasonable traffic profile. And we generally see the goal of, pushing to 10X that. But, not necessarily day zero, but by stacking enough optimizations, if you have, say like four optimizations, each of which doubles performance. Or sorry, three optimizations, each of which doubles performance, then you stack that up, that's an 8X gain. That's the order of magnitude that we're working with in this space. We're trying to make things substantially faster, not just go from like 70 to 90.Swyx [00:35:38]: Are you saying you've. You have done that?Philip [00:35:40]: So let's say you have as a reasonable baseline, 30 or 40 tokens per second. You can achieve 10X that. So like on GLM-5.2, if you run it unquantized, perhaps on H100s even, and you're just using an off-the-shelf inference engine with no particular optimizations, no speculator, nothing extra around like KV routing, no disaggregation, you're, you're probably, yeah, looking at that like 30 to 40. You think that's like a reasonable baseline?Swyx [00:36:12]: Right. Right.Philip [00:36:12]: To get to something like 10X, there's a lot of trade-offs that you're making. If we're running at more like a 300, 400 tokens per second range, you are using the best hardware possible. You have a optimized speculator. You have done all of your quantization work. You are Seeing a pretty high cache hit rate. You are running with a reasonably small batch size and a parallelism configuration that is tuned for latency versus throughput, but it is possible. So the spreads that you see if you, like, go on artificial analysis or you go on OpenRouter and you look at, the worst provider to the best provider, oftentimes can hit that range. 10X is of course very aggressive. It's oftentimes maybe more of a four to six times improvement. But that's the performance that makes us really excited, is when we can get these huge gains, not just go from 70 to 90 tokens.Stacking Optimizations: NVFP4, Speculation, and DisaggregationAli [00:37:19]: It's also, like, hardware dependent. Like, ifPhilip [00:37:20]: YeahAli [00:37:20]: If you have a thing where you're serving it on just, like, a node of H100s and then you throw, like, you shard the model across, like, four nodes of B200s. Like, you can definitely increase the speed with just throwing more hardware at it. Like, normalizing for the same exact hardware and the same number of GPUs.Philip [00:37:35]: Yeah. Then you're looking at, like, a two to 4X improvementAli [00:37:38]: Right. RightPhilip [00:37:38]: Depending on the inference optimizations. So yeah, it's. Some of it's, what's the call, and some of it's who's the driver.Vibhu [00:37:46]: If you break down the two to 4X, say the example is run GLM-5.2Ali [00:37:51]: YeahVibhu [00:37:51]: On B200sAli [00:37:53]: YeahVibhu [00:37:53]: Single node, right? What's, like, the cost trade-off for effort to get, like, the last bit of juice out versus what should people just think of, right?Ali [00:38:01]: Spectre quantization. Yeah.Vibhu [00:38:03]: Spectre quantization.Ali [00:38:04]: That's, that's, that's like 95%. LikeVibhu [00:38:06]: And how far does that get you? And how easy is that for the average person to do? So say right I wanna throw the weights of GLM-5.2 on a node of B200s, how easy is it to find speculative decoder- decoder model or already quantized model? How much work goes into it?Philip [00:38:23]: If you're doing it up front, it's quite a lot of work. If you're doing it today, there's going to be people who have published things that you can just, you can just grab some NVFP4 weights. You can grab a speculator. Yeah, if we're thinking about, like, what are the 2Xs we're stacking, going from, BF16 to NVFP4 is, it's not quite a 2X, right? It's like. I think it's about, like, 30 to 40%, from 16 to 8, and then another 30 to 40% multiplied from, 8 to 4. So that doesn't quite get you a 2X, but, like, roughly a 2X. Speculator, roughly a 2X. Disagg on top of that if you're able to get enough hardware and put enough traffic through it, another roughly a 2X. And then you add in some, double-digit percent increase from having just a better runtime with, the latest kernels and stuff behind it. And that's how it stacks up.Ali [00:39:21]: YeahPhilip [00:39:21]: So building each of those, like, building the, quantized weights is, for someone who really knows what they're doing, hours to days of work. Building the speculator, again, like, hours to days of work. And the, disagg setup, hours to days. Well okay, but like once you haveAli [00:39:39]: Once set up. Once set up. YeahPhilip [00:39:40]: Yeah, getting disagg working for the first time, I'm saying, of course, is very difficult.Philip [00:39:44]: The marginal implementationAli [00:39:48]: Like, if you're just grabbing, like if you are a person, like just a normal consumer who has access to, like, a node of B200s and you're wondering, “How can I just host it myself?” You don't need to quantize the model yourself. There's always gonna be, like, an open source quantized checkpoint. NVIDIA's gonna push one out if no one else does. You. Usually, the providers will have their own spec dec that they've trained as well. You don't need to train your own spec dec. You can just use that as well.Philip [00:40:09]: Yeah. Like, GLM-5.2 has its own MTP.Ali [00:40:13]: Right. Right.Vibhu [00:40:14]: What's multi token prediction?Philip [00:40:15]: Yes.Ali [00:40:16]: I'm justVibhu [00:40:16]: Can you explain that?Ali [00:40:16]: I'm just an expert.Ali [00:40:18]: I can do it for you in case I get it wrong?Vibhu [00:40:20]: No.Vibhu [00:40:21]: Yeah, you should correct if we're wrong, but their multi-token prediction can be used for self-speculative decoding.Ali [00:40:27]: I'm not sure. I'm not gonna correct that.Vibhu [00:40:28]: Okay. I'm semi-confident in thatAli [00:40:30]: Okay. YeahVibhu [00:40:30]: But someone can check. But it's useful to paint the story of, okay, not just the average person, but say a company wants to switch from serverless inference I wanna throw this up on. I wanna rent some GPUs, throw it up. These are the steps you take to do significantly faster than just put it behind vLLM.Ali [00:40:48]: Right.Vibhu [00:40:49]: I was waiting for a mention of Dynamo.Vibhu [00:40:51]: I feel like, that's supposed to be the baseline that you measure against.Dynamo, KV Routing, and Disaggregation ToolkitsPhilip [00:40:55]: I would think of Dynamo as less of a box system and more of a toolkit for building with. So when we talk about doing aware routing, when we talk about doing KV offloading, when we talk about doing, PD disaggregation, Dynamo fundamentally is. By the way, Dynamo is an open source library from NVIDIA.Ali [00:41:17]: We've done a pod with KylePhilip [00:41:18]: OkayAli [00:41:19]: Kyle Cranin.Philip [00:41:19]: Cool. So then your listeners know then that it supports all the different inference frameworks. And it is multi hardware, which is interesting.Ali [00:41:28]: But it's just a router, it's not like an optimizer layer.Philip [00:41:30]: Yeah. All it does, like, what Dynamo is good at, it is a library for moving information around your cluster, around your hardware. So if you have, KV cache on one place and you need it to be somewhere else, Dynamo coordinates NIXL for you to move that around.Philip [00:41:49]: That doesn't mean that, like, out of the box, you just say, “Pip install Dynamo,” and then you get, like, a massive performance speed up. It's more of a developer toolkit.Ali [00:42:01]: Yeah. I would have said it would. It comes with a set of defaults that you can then swap out.Philip [00:42:06]: It does. If the industry at large, I think, was, like, rolling out all of these deployments, standard, then I think it would be, like, a credible baseline. But, we've got to, we've got to benchmark against, like, what we're seeing in the wild.Speculative Decoding Methods: Medusa, EAGLE, n-Gram, and Spec-SpecVibhu [00:42:23]: I did wanna talk a little bit more about PD disagg, because that is probably, like, number three after quantized and speculative decoding. In your book though, I was just gonna pull out the book.Philip [00:42:31]: Yeah.Vibhu [00:42:32]: Like section 522 on Medusa, 523 on EAGLEPhilip [00:42:35]: YeahVibhu [00:42:36]: 524 on gram.Philip [00:42:37]: It's 55, would be disaggregationAli [00:42:42]: Yeah. Well, no, I just wanted to dwell a little bitPhilip [00:42:44]: YeahAli [00:42:44]: The other. Like, so what do you choose to include? What do you choose to not to include? Because there was all these other techniques.Philip [00:42:51]: Yeah.Ali [00:42:51]: Are these still relevant? Because I think they came out, like, a year and a half ago maybe.Vibhu [00:42:55]: Medusa is quite old.Philip [00:42:56]: Yeah, Medusa's old.Ali [00:42:58]: It was old.Vibhu [00:42:58]: But is it in the book as a good, here'sPhilip [00:43:01]: BaselineVibhu [00:43:01]: Baseline vanilla understand it?Philip [00:43:02]: Like you should know this.Vibhu [00:43:03]: Like I read the paper, I'm like, “ it makes so much sense.”Philip [00:43:05]: Yeah.Philip [00:43:05]: So with the book, I had a couple goals. One was to give people just a working vocabulary for the space as a whole, and the other was to give them some intuition about how each of these techniques works. As I mentioned in my AI Engineer talk, which is the first public addendum to this, the speculation space has moved much faster than everything else. So yeah, even at the time that I wrote the book Medusa, I very much included as a way for people to understand how the space evolved rather than what the most modern technique is. And now of course, there's DFlash, dSpark. There's, there's newer techniques even than EAGLE, although EAGLE is still very commonly used.Ali [00:43:51]: SpecSpecta.Philip [00:43:52]: Yes. Speculative decoding.Vibhu [00:43:54]: What canAli [00:43:56]: Oh, it's a paper by Tri Dao and it's like, it's doing speculative decodingVibhu [00:44:00]: HuhAli [00:44:01]: For the speculative decoder.Philip [00:44:02]: Oh, in spec- oh my God.Ali [00:44:02]: It's literally just an another. It's like, yeah, that's the most simple way to explain it, and it seems like he got trivial speed ups there. But it seems that the complexity with training, it's almost like in our mind at least, it's almost as complex as training GANs. Like it's like a very delicate balance and oftentimes you, it's just but yeah, it's literally speculative decoding on speculative decoding.Vibhu [00:44:21]: Speculative.Ali [00:44:22]: Yeah. We saw this paper.Vibhu [00:44:24]: It's interesting, right?Ali [00:44:24]: Yeah.Vibhu [00:44:24]: I wouldn't even expect it to be very particular to train, I wouldAli [00:44:29]: Right.Vibhu [00:44:29]: The naive part of me is like, okay, train speculative decoder.Ali [00:44:32]: But like, and it makes sense, like the whole idea of speculative decoding is you. It's like, it's like almost like the iPhone auto predict version but for a normal model, right? Like you're just, you're just, generating three tokens and you're like, okay, I'll do prefill on them. And so you save those three turns for your original model. Now your speculative decoder is doing three turns of auto regression, so why not just have an even smaller model?Ali [00:44:53]: The other question there is what are the size of speculators? So say forPhilip [00:44:58]: Right. It's like a billion parameters.Ali [00:45:01]: Like for MiniMax, it's. Yeah. It's like one layer. It's like one 60th of the original model usually.Philip [00:45:06]: Yeah. I think we should do a paper when we get back to the office.Philip [00:45:10]: SpeculativeAli [00:45:11]: SpeculativePhilip [00:45:11]: Decoding.Ali [00:45:13]: No, it's, it does seem like how, when do you stop? But then it also seems like if you're able to train spec-spec decode for instance, right? Like if you're able to have a small model that is accurately predicts what the intermediate speculator is gonna predict, that is able to predict what the original target model's gonna predict, then why not just use that smallest model directly, right?Vibhu [00:45:34]: Yeah. This isAli [00:45:35]: Like it seems likeVibhu [00:45:35]: Adjacent to the routing problem.Ali [00:45:36]: Right.Vibhu [00:45:36]: Yeah.Ali [00:45:36]: Right.Philip [00:45:37]: The thing with speculators is one of the practical constraints on using them is that you do have to run a small model on the same hardware that you're running the big model on. There is a orchestration and resource competition problem inherent in that, and that is one of the constraints on speculation in general, is that draft tokens cost resources to create and cost software complexity to manage. And so if you have like infinitely recursive speculators, you add in quite a bit of that complexity on the actual implementation within the inference engine as well, not just in the training process.Vibhu [00:46:17]: I was gonna say, I would wonder if you could do similar, like distillation and pruning of, it's the same thing, it's just a model. Can we not just distill a lot of the weights, quantize the speculator, out of my domain? The question that also comes up is, this is all for big server workloads, right? How much of this applies to, say I have this MacBook, I wanna run Gemma really efficiently. Similar problems, not the same?Local AI vs. Data Center InferencePhilip [00:46:45]: Pretty different. I talked to Selo, about this on his podcast a couple weeks ago. The difference between inference engineering for the data center and for production workloads versus inference engineering for local AI, is that we start with fundamentally like different constraints and different goals. With local AI, it's how do I fit this model onto my hardware and then make it less dumb? And with data center influence, it's how do I load this model and then make it less slow? And we care about less dumb, and they care about less slow. But the local AI inference engineering ecosystem, I think has a lot for us to learn from in the data center space. They are experts in various forms of quantization, including dynamic quantization that we just don't touch, in the pruning, in the distillation, in the, layer removal. There'Ali [00:47:42]: Layer removal matters less.Philip [00:47:43]: Yeah. There'Ali [00:47:44]: No one loves pruning really.Philip [00:47:45]: Yeah. Well, but the, but they doVibhu [00:47:46]: Which is surprising, right? But that's, that's a whole different thingPhilip [00:47:48]: Just to fit something on the laptop.Ali [00:47:50]: Right.Philip [00:47:50]: So yeah, it's a, it's an interesting, it's an interesting space. Not necessarily that like their techniques make sense for us to do in the data center, because we have different resources and different goals, but more that the process as well as the openness of that field is something to, admire.Ali [00:48:12]: Yeah. Like to your point, like, certain optimizations that would. Like for instance, Turbo Quantum Sharper, like it made such huge hype on that and we did like a whole deep dive on Twitter and like said, what is it? How does it work? Why is it good or not? And it took off and it was implemented on local devices because your memory bandwidth is so slow on like a MacBook, for instance. But try putting the same thing on like an NVIDIA GPU on a B200 Turbo quant would not be. Like, it would not be used. Like, NVIDIA - Like, NVIDIA made it clear that this is not a good optimization, and we've seen it firsthand where the overhead of doing dequantization, quantization of, in the kernel itself with turbo quant kernel, each end is much slower than the time that you save from doing the bandwidth. ‘Cause on the B200s, you have like 3.5 terabytes per second. You don't need decrease the storage that much. You don't need to do, FP4 KV cache. You don't need to use a requant. There's, there's, there's better optimizations to be made. But on Edge devices, it's extremely important, it's extremely useful. So, seems to be, like, different optimizations there, but then they're all uniquely combined with like all you wanna quantize the model, you wanna do speculative decoding, like certain common prefixes with bothPhilip [00:49:18]: Principles.Ali [00:49:19]: Yeah, exactly. Exactly. Exactly.Philip [00:49:20]: They also do a lot of work on, model parallelism, especially over, heterogeneous topology, where you have, some sparks and they are wired together with, Ethernet, DGX sparks.Ali [00:49:35]: Yeah, this is the Exo Labs guys.Philip [00:49:36]: Yeah. You have, a nu

Deze zomer is Amsterdam het middelpunt van de internationale queergemeenschap. Het is World Pride, twee weken vol feest én protest. Want wereldwijd staan de rechten van lhbti'ers onder druk.Vandaag neemt Italië-correspondent Ine Roox ons mee naar Padua, waar Franca en Ilaria een jarenlange strijd voerden om allebei moeder te mogen zijn van de 7-jarige Matilde.Gast: Ine RooxPresentatie: Gabriella Adèr Redactie: Felicia AlberdingMontage: Gal Tsadok-HaiEindredactie: Nina van HattumCoördinatie: Ignace SchootProductie: Rhea StroinkCorrectie: In een eerdere versie van deze aflevering werd de suggestie gewekt dat de brief die de minister van Binnenlandse Zaken in 2023 aan gemeentebesturen stuurde, rechtstreeks aan Franca en Ilaria is gestuurd. Dit was niet het geval. De brief die Franca en Ilaria als gevolg daarvan kregen, kwam van de rechtbank van Padua. Dit is aangepast.Heb je vragen, suggesties of ideeën over onze journalistiek? Mail dan naar onze redactie via podcast@nrc.nl.Zie het privacybeleid op https://art19.com/privacy en de privacyverklaring van Californië op https://art19.com/privacy#do-not-sell-my-info.

Er werd druk geoefend door de Nederlandse clubs afgelopen weekend. PSV verloor thuis van Villarreal met 1-3, maar dat duel had een veel hogere uitslag kunnen hebben. Achterin ging er van alles mis bij de Eindhovense club. Ajax en Feyenoord wonnen wel hun oefenduels, met 2-1 van Burnley en Rayo Vallecano. Uit Groningen kwam het bericht dat Dick Lukkien niet meer wil oefenen tegen Griekse clubs en Andrea Pirlo, de beoogde nieuwe bondscoach van Italië, zit nu al in de problemen. Het zijn onderwerpen in de AD Voetbalpodcast. Etienne Verhoeff bespreekt ze met Rik Elfrink en Wout Fassbender praat je bij over Feyenoord en ADO Den Haag. Beluister de AD Voetbalpodcast via AD.nl, de AD App of jouw favoriete podcastplatform. Je kunt de podcast ook bekijken via YouTube.Student en gratis het AD lezen? https://abonnement.ad.nl/studenten/bestellen?productcode=digitaalstudent?utm_source=topics&utm_medium=web&utm_campaign=topics_introductie&utm_content=studenten&utm_term=short_url Bestel het boek De vraag van Vandaag hier: https://webwinkel.ad.nl/product/de-vraag-van-vandaagSupport the show: https://krant.nl/See omnystudio.com/listener for privacy information.

In de FC Afkicken Daily van dinsdag 21 juli bespreken Bart Obbink en Stan Wagtman het laatste voetbalnieuws. Met vandaag onder meer de afwikkeling van het opstootje na de WK finale, de interesse van PSV in Filip Kostic, de transfers van Obispo en Nagalo die niet doorgaan, Feyenoord dat miljoenen voor Hwang binnen heeft en Van Bommel die in de serieuze belangstelling van de Belgische voetbalbond staat! (0:00) Intro en WK-ervaring Stan (5:12) FIFA start onderzoek tegen Paredes (11:40) De lotingen van Twente en Ajax (15:15) Filip Kostic op de lijst bij PSV (18:27) Transfers Obispo en Nagalo afgeketst (20:46) Hwang weg bij Feyenoord (22:08) Tadic niet terug naar de Eredivisie (24:29) België wil Van Bommel (26:56) Guardiola naar Italië?See omnystudio.com/listener for privacy information.

Met vandaag: Houthi's dreigen met sluiten zeestraat Bab-el-Mandeb | Dood Marokkaanse man na arrestatie in Italië leidt tot protesten | Wat heeft een dakloze man aan het Nationaal Actieplan Dakloosheid? | Wereldberoemde organist komt improviseren in Haarlem | Turkse gouverneur ontslagen om het dragen van een wielerbroek | Presentatie: Chris Kijne.

Met vandaag: CDU-fractievoorzitter treedt af na ophef over kind via draagmoeder | Italië gaat vrouwen en kinderen van maffiabazen beschermen | Simon Kuper blikt terug op het WK | Hoe vertaal je de poëzie van Lewis Carroll? | Presentatie: Marcia Luyten.